基于机器学习算法的精细化流场模拟研究

基于决策树和随机森林两种机器学习算法,以长沙市国控站气象观测数据和WRF模式模拟得到的风场数据构建数据集,对WRF预报长沙市城区风场数据进行优化.同时,利用树模型特征选择法,筛选对近地面风场数据有重要影响的气象要素,将其作为两种机器学习算法的输入,并利用网格搜索法进行调参建模.最后,将训练结果与地面观测数据进行对比评估...     

基于小波分解和SVM的大气污染物浓度预测模型研究

针对大气污染物浓度的精准预测问题,运用小波分解将污染物浓度一维序列分解为高维信息,结合气象及污染物浓度数据,构建了基于小波分解的支持向量机预测模型.最后将模型应用于长沙市2018年PM_2.5和O_{3-8 h}的浓度预测.结果表明：①在其他参数不变的条件下,该模型在平均绝对误差（MAE）、平均绝对百分比误差（MAPE）、均方根误差（RMSE）、一致性水平（IA）和相关系数（R）指标上均优于未经小波分解的预测模型;②在考虑其他污染物对PM_2.5浓度的影响后,预测模型评价指标MAE、MAPE和RMSE分别减少了5.57%、9.91%和3.44%,有着更小的误差;③在考虑气象因素对O_{3-8 h}浓度的影响后,预测模型评价指标MAE、MAPE和RMSE分别减少了1.59%、3.54%和0.82%,同样也有更小的误差.由此可以看出,本文所提模型能够有效预测大气污染物浓度,为相关研究提供了方法参考.     

基于三坐标测量仪测量角度及不确定度分析

通过三坐标测量仪对机械加工零件的外锥和内锥进行测量分析。对一些通用量具无法测量的角度提供准确的数值。利用不确定度评定标准公式计算出三坐标测量角度的不确定度分析。经过三坐标测量仪的先进技术改变现代通用量具的测量方法,提高通用量具无法达到的高精度测量时代,为高精度测量提供了一种新的测量手段。     

大气环境分类的SVM联合决策方法

目的 实现城市大气环境的精准快速归类预测。方法 基于支持向量机（SVM）构建多分类问题的联合决策算法,将大量城市环境因素数据的主成分聚类结果作为输入,通过机器学习训练,组建大气环境的SVM联合决策模型。结果 该模型根据大气环境因素将数据集91个城市划分为9类,其中河内与海防环境相似度最高,巴东与格尔木差异最大。9个SVM二分类器组建的联合决策模型通过逐点预测在主成分数据空间形成了分区预测云图。结论 SVM联合决策模型可实现城市环境的快速分类辨识,分类预测结果精度高于95%。     

基于智能手机采集数据的施工活动识别

施工人员的活动监控对施工安全管理及预防职业疾病至关重要。为提升施工安全的智能化管理水平,对楼板钢筋工程施工中的8个主要活动进行识别。为弥补单一传感技术采集维度不足的缺陷和集成传感技术对系统灵活性的限制,采用智能手机内置加速度传感器和陀螺仪采集试验人员模拟施工人员活动时的加速度和倾角数据,并提取平均值、标准差、协方差、四分位距(IQR)为活动的特征矢量。通过决策树中的CART算法建立分类训练模型,采用“交叉验证法”对模型进行评估和验证。测试结果表明:对于样本个体的平均分类准确率为95.28%,预测准确率为92.86%;样本总体的分类准确率为89.67%,预测准确率为94.82%。研究表明,基于智能手机采集数据的决策树模型可以用于施工人员的活动识别。     

电喷汽油机燃用乙醇/汽油混合燃料排放及催化转化特性研究

研究多点电喷汽油机燃用不同掺混比的乙醇/汽油混合燃料时的排放及催化器的转化性能.结果表明,在汽油机参数未做任何调整的情况下,与汽油机相比,乙醇/汽油混合燃料汽油机催化器之前的CO排放降低,降幅接近15%;HC排放在大负荷时略有升高;NOx排放基本相同;乙醇对排放物催化转换效率的影响与电喷汽油机的转速、负荷和空燃比控制策略有关.用气相色谱分析仪测录的未燃乙醇排放在大负荷时略有升高,甲醇排放量变化不大,乙醛排放量随乙醇含量增大而增大,经三效催化转化器后,可以被控制在接近零排放的水平.在怠速工况,随乙醇含量增加,CO、HC和NOx的排放与汽油机相比略有降低.     

基于支持向量机的采空区稳定性分级

针对采空区稳定性分级的影响因素众多且关系复杂的特点,提出采用支持向量机理论对采空区稳定性进行分级。根据分级评价指标选取原则,选取岩体结构、地质构造、岩石的质量指标、地下可见水、地下水体、周边开采的影响、相邻空区的情况、工程布置、跨度、面积、高度、矿柱的尺寸及布置、埋藏深度和采空区的规格14个影响因子,建立了采空区稳定性评价指标体系,引入支持向量机理论,选择有向无环图方式构造多类分类器,得到采空区稳定性分级的支持向量机模型。将该模型用于山东黄金矿业西山矿区的25个采空区进行分级,并与未确知测度方法的分级情况     

基于极限学习机算法对太湖东部湖区水源地总磷数据的自动监测分析

对太湖东部湖区金墅港和渔洋山水源地总磷自动监测值与实验室监测值进行比对分析,基于相关性分析,选取对自动监测总磷浓度影响较大的浊度、蓝绿藻和叶绿素等指标,提出可选择极限学习机隐层节点的改进极限学习机模型(IELM)修正自动监测总磷数据。结果表明,总磷自动监测值相对实验室监测值偏差较大,绝对误差范围在0.05~0.112 mg·L⁻¹,平均绝对误差为0.017 mg·L⁻¹。若以相对误差小于或等于30%作为比对合格的标准值,总磷自动监测数据合格率仅为52.9%。经过IELM算法模型训练和测试,训练均方误差为0.000 073 5,测试均方误差为0.000 103。经过模型修正后的自动监测总磷数据更接近实验室监测值,其平均绝对误差降低0.026 mg·L⁻¹,平均相对误差降低45%。按比对误差30%计算,模型修正后的总磷自动监测数据合格率为92.0%,可应用于自动监测总磷数据的修正。     

基于粗糙集和支持向量机的标准农田地力等级评价

标准农田是耕地的精华,是确保国家粮食安全的关键。科学评价标准农田地力等级对标准农田培肥和土壤改良有着重要意义。将粗糙集(Rough Set,RS)理论和支持向量机(Support Vector Machine,SVM)相结合,提出了基于RS和SVM的标准农田地力等级评价方法,同时,利用遗传算法的并行搜索结构和模拟退火的概率突跳特性,提出了GASA优化SVM参数算法。该方法首先在确定标准农田地力等级评价指标的基础上,利用地力调查样本数据及传统的指数和法评价结果构建RS决策表,应用RS穷尽算法对决策表进行约简,剔除冗余的评价指标,然后用约简后的评价指标作为SVM的输入,运用GASA优化SVM参数算法对SVM进行训练,建立标准农田地力等级的RS-SVM评价模型。应用该方法对温州市鹿城区标准农田地力等级进行评价,与未用RS约简的SVM模型和BP神经网络模型评价结果进行对比,SVM模型和BP神经网络模型的输入指标数均为15个,其评价正确率分别为100%和90%;RS-SVM模型的输入指标数为14个,其评价正确率分别为100%,结果表明,该方法通过RS约简评价指标后,SVM评价精度并没有降低,但降低了SVM输入向量维数和计算复杂度,提高了训练效率;SVM 用于标准农田地力等级评价,具有比BP神经网络更高的评价精度,可有效用于标准农田地力等级评价,为耕地地力评价提供了新方法。     

浅谈安全管理“三要素”

安全管理是安全科学的重要组成部分。“人—机—环境“是安全管理的 3个基本要素 ,安全管理必须围绕这 3个基本要素建立安全管理体系 ,协调“人—机—环境”的自然和谐 ,将“人—机—环境”建立在一个最优组合状态下 ,把安全问题由事后处理型转变为事先预防型 ,从而提高安全管理体系的效能和水平。