免疫粒子群优化在波阻抗反演中的应用

针对标准粒子群优化(PSO)算法易出现早熟而陷入局部最优以及进化后期收敛速度慢等缺陷,引入免疫系统的免疫记忆和抗体浓度选择机制,构造了基于免疫机制的粒子群优化(IPSO)算法,并将其应用到波阻抗反演问题中。免疫记忆能够保留高适应度个体,抗体浓度选择机制进一步保证了粒子的多样性,从而能较好地避免早熟收敛,提高算法的全局搜索能力。对理论模型试算表明,IPSO算法在进行波阻抗反演时不仅收敛速度快,而且具有较高的精确度和抗噪性能。     

天津市突发事故条件下大气污染的应急模拟

基于数值天气预报模式和自动气象站观测资料,采用随机游走粒子-烟团模式对天津市突发事故条件进行应急示踪模拟试验.结果表明,模式能在10min内给出计算结果,并能较好地模拟大气突发事故的大气扩散过程,粒子的散布和积分浓度的分布均能反映出大气突发事故污染物扩散路径和影响范围的变化,可以作为事故应急决策系统的大气扩散模块,为早期应急和后果评价提供更接近实际的信息.     

Seasonal features of aerosol particles recorded in snow from Mt. Qomolangma （Everest） and their environmental implications

To assess the seasonality of aerosol deposition and anthropogenic effects on central Himalayas, a 1.85-m deep snow pit was dug on the northern slope of Mr. Qomolangma (Everest). Based on the morphology and energy dispersive X-ray (EDX) signal, totally 1500 particles were classed into 7 groups: soot; aluminosilicates; fly ash; calcium sulfates; Ca/Mg carbonates; metal oxides; and biological particles and carbon fragments. The size distribution and number fractions of different particle groups exhibited distinct seasonal variations between non-monsoon and monsoon periods, which are clearly related to the differences in air mass pathways. Specifically, the relative abundance of soot in non-monsoon period (25%) was much higher than that in monsoon period (14%), indicating Mr. Qomolangma region received more anthropogenic influence in non-monsoon than monsoon period.     

基于IPSO-BP模型的火灾气体传感器气压补偿算法

为完善飞机火灾检测系统,设计一套方案,模拟试验不同气压下CO、CO₂气体传感器采集气体的体积分数值,并与理论值比较,进而提出一种根据粒子适应度值动态调整学习因子的粒子群算法。采用改进的粒子群(IPSO)算法寻找反向传播(BP)神经网络的最优初始权值阈值,再利用寻优后的BP神经网络修正CO、CO₂气体传感器的检测结果,消除气压对于传感器采集数据的影响。结果表明:经过IPSO-BP算法补偿后,选取的27个气压点下气体体积分数值都接近拟合真实值,其中,CO₂气体传感器经过气压补偿后,测量最大误差从542×10^-4%下降到0.1×10^-4%,CO气体传感器测量最大误差从15.7×10^-4%下降到0.01×10^-4%。与BP神经网络气压补偿模型相比,IPSO-BP神经网络气压补偿模型的精度有明显的提高。     

联盟链视角下基于IIWPSO-BP的信息安全风险预测模型*

为及时发现智慧城市潜在信息安全风险,构建一种基于改进惯性权重的粒子群优化(IIWPSO)算法优化反向传播(BP)(IIWPSO-BP)神经网络算法的信息安全风险预测模型。首先,综合考虑信息拥有者、共享信息、联盟链技术、信息使用者、联盟链管理和安全措施6个一级指标,构建信息安全风险指标体系;其次,通过量化信息安全风险指标,训练并测试所构建的信息安全风险预测模型;最后,对比分析模型的鲁棒性、精确性和时间复杂度。结果表明:IIWPSO-BP预测模型的平均绝对误差(MAE)为0.137 4,平均相对误差(MRE)为0.038 5,拟合度为0.972 0;与PSO-BP神经网络、BP神经网络相比,预测精度分别提升了37.6%、65.2%。     

秦岭南北降水空间分异研究

为了探讨秦岭南北降水空间分异特征,本文以秦岭山脊线南北22个气象站点2011～2018年间的逐日降水量及全球资料同化系统风向数据为基础,借助协同克里金插值和混合单粒子拉格朗日积分扩散传输模型(HYSPLIT模型)的后向轨迹模式等方法,对秦岭山区降水进行了空间格局分析、水汽轨迹追踪及水汽源地贡献率计算.结果 表明:①秦岭...     

地铁安全文明施工费费率标准动态测算研究

为有效解决目前地铁工程中安全文明施工费费率标准指导效用滞后问题,在数据时效性约束下研究该费率的实时测算。在界定地铁工程安全文明施工费内涵的基础上,将其按固定费用和变动费用精细化分析,进而统计并预测其费用投入以作为费率测算分子;构建用粒子群算法优化的最小二乘支持向量机(PSO-LS-SVM)模型,用其预测竣工结算造价,从中提取计费基数作为费率测算分母;最终形成地铁工程安全文明施工费费率标准的动态测算方法;选取武汉地区在建样本项目进行实证分析。结果表明:用动态测算方法测算的费率,能够反映实时环境下的地铁工程对安全文明施工费的需求。     

基于KPCA-MPSO-ELM的矿井突水水源判别模型

为准确判别矿井突水水源并有效预防突水事故,提出一种基于核主成分分析-改进粒子群算法-极限学习机(KPCA-MPSO-ELM)的矿井突水水源判别模型。利用核主成分分析(KPCA)法对原始数据进行属性约减,通过改进粒子群算法(MPSO)优化极限学习机(ELM)的初始权值和阈值,建立KPCA-MPSO-ELM模型;在综合考虑矿井各含水层的水化学特征的基础上,选取Ca²⁺、Mg²⁺、K⁺+Na⁺、HCO₃^-、SO₄^2-、Cl^-等的浓度和总硬度作为矿井突水水源的主要判别依据;以新庄孜矿的 45组实测数据作为样本进行实例分析,其中33组数据作为训练数据训练模型,另外12组数据作为预测样本,用该模型进行预测,并将其判别结果与MPSO-ELM、KPCA-PSO-ELM模型的判别结果进行对比。结果表明:KPCA方法能减少指标数据间的信息重叠;通过MPSO优化ELM参数,可提高算法的整体搜索性能和收敛速度;KPCA-MPSO-ELM模型的预测精度高于MPSO-ELM、KPCA-PSO-ELM 等2个模型。     

基于NRS-ACPSO-SVM的冲击地压危险性预测模型

为快速、准确地预测冲击地压危险性,提出基于NRS-ACPSO-SVM的冲击地压危险性预测模型。首先,在综合分析冲击地压危险性影响因素的基础上,以重庆砚石台煤矿为例,选取煤层厚度、倾角、埋深等10个影响因素作为冲击地压危险性的特征指标;然后,基于邻域粗糙集(NRS)理论对特征指标进行降维,提取出影响冲击地压危险性的关键属性构成约简集;最后,为避免支持向量机(SVM)模型受惩罚因子C和核函数参数σ随机性影响,采用自适应混沌粒子群算法(ACPSO)优化SVM模型参数,将约简集作为ACPSO-SVM模型的输入进行训练,利用训练好的ACPSO-SVM模型预测样本,并对比其他模型的预测结果。研究表明:NRS能有效地约简属性,简化模型结构,模型预测精度与运行效率均有明显提高;利用ACPSO优化SVM模型能避免结果陷入局部极值,提高收敛速度及预测精度,用该模型可有效地预测冲击地压危险性等级,其预测错误率为0。     

基于PCA-AHPSO-SVR的煤层瓦斯含量预测研究

为了提高煤层瓦斯含量预测的准确性和科学性,通过主成分分析方法对影响煤层瓦斯含量的7个因素进行特征提取,消除影响因素之间的相关性,减少维度;用支持向量回归机对提取的因素进行训练,并用改进的自适应混合粒子群算法对SVR的参数进行优化,提出PCA-AHPSO-SVR模型;与PCA-PSO-SVR,PSO-SVR这2个模型在相同环境下进行30次运行比较。研究结果表明:研究提出的PCA-AHPSO-SVR模型较其他2种模型平均准确率分别提高5.51%和9.32%,稳定性更佳,可满足工程实际需求。