从爱一条小河开始

这次和同学一起租车回家时,无意间我问大家:"谁小时候家乡的河与现在一样清澈?可以光着屁股在河里游泳的那种。"第一次问的时候她们都笑了,然后是一阵沉默。然后我又问他们"家乡的河水脏了、消失了的……"还没问完,他们就像一个个的麻雀叽叽喳喳的讨论起来。"小时候家乡的河是脏的,现在干净了,又流淌了吗"不知谁问了一句,突然同伴们又沉默了起来,大家都若有所思起来。水是生命之源,江河是大地的血脉。以往我们总认为:水如果不为人类服务,就是白白地流走了。现在,越     

基于VMD排列熵与FASSA-SVM的滚动轴承故障研究

提出了一种基于萤火虫改进麻雀搜索算法-支持向量机（FASSA-SVM）的轴承故障诊断方法。首先对轴承工况的振动信号变分模态分解（VMD）得到多个模态分量（IMFs）,其次利用排列熵（PE）求解每种工况每个IMF的PE值作为特征参数输入至SVM中,最后利用FASSA方法优化SVM的惩罚因子、核参数并得到最优的轴承故障分类诊断效果。实验结果表明,FASSA-SVM方法的平均测试集诊断准确率高达99.8%,该诊断结果优于传统的萤火虫算法（FA）、优化麻雀搜索算法（SSA）。     

基于CYCBD和麻雀搜索算法的滚动轴承故障特征提取方法

目的解决在较强的噪声环境下最大二阶循环平稳盲解卷积(MaximumSecond OrderCyclostationary Blind Deconvolution,CYCBD)算法在滚动轴承故障特征提取时效果欠佳的问题,为滚转尾翼导弹的尾翼滚动轴承故障诊断提供方法参考。方法提出一种利用麻雀搜索算法(SparrowSearchAlgorithm,SSA)优化CYCBD算法的方法,将CYCBD算法解卷积的包络谱熵作为SSA寻优的适应度函数,利用SSA高效地寻找出合适的循环频率以及滤波器长度,选择自适应参数后,再使用CYCBD算法有效解卷得到周期脉冲特征。结果同时对比SSA优化CYCBD前后进行故障特征提取的包络谱图,CYCBD的噪声幅值不超过0.13 m/s^(2),峰值不超过0.29 m/s^(2),用SSA优化CYCBD的噪声幅值不超过0.08 m/s^(2),峰值不超过0.32 m/s^(2),故障频率成分更加突显,无论是噪声幅度,还是峰值幅度特性,均较CYCBD有了较大改善。结论仿真实验验证了SSA优化CYCBD方法能够更加清晰地辨识到故障特征频率及其倍频成分,其具有良好的工程应用前景。     

基于ISSA-PID试验箱温度控制算法的研究

为了提高试验箱温度控制系统的精准度,缩短系统调节时间,提出了一种基于改进的麻雀搜索算法优化PID控制参数的方法（ISSA-PID）。利用PWLCM混沌映射初始化麻雀种群,丰富麻雀种群的多样性,采用Levy飞行策略改进了SSA算法种群中发现者和警戒者的位置更新方程,避免算法陷入局部最优,建立了试验箱加热温度控制系统的数学模型,利用改进的麻雀搜索算法（ISSA）优化了其模型PID控制参数。分别采用试凑法、麻雀搜索算法和ISSA算法对试验箱加热温度控制系统的PID控制参数进行了优化并对其仿真分析。仿真结果表明,ISSA算法使得控制系统超调量减少了18.9%,系统调节时间减少了704s,并利用PLC、触摸屏和试验箱搭建的实验装置开展实际实验测试。通过仿真和实验表明,ISSA算法对PID控制参数的优化效果更佳,且验证了ISSA算法优化PID控制参数在试验箱中应用的可行性。     

基于CEEMDAN和改进的混合时间序列模型工作面涌水量预测研究

为提高采煤工作面涌水量预测准确度,收集大量工作面涌水量观测数据进行整理、统计、分析,将涌水量稳定性、周期性和季节性特征考虑在内,提出1种基于数据驱动的完全自适应模态分解算法(CEEMDAN)和改进的混合时间序列模型工作面涌水量预测方法。该方法利用CEEMDAN处理涌水量数据,构建麻雀搜索算法(SSA)优化的长短期记忆网络(LSTM)和自回归移动平均模型(ARIMA)并行级联而成的混合时间序列模型对工作面涌水量进行预测。研究结果表明：该模型预测结果与真实数据相差更小,平均绝对误差为6.36 m³/h,均方根误差为10.6 m³/h,模型拟合系数为0.95,更适用于工作面涌水量预测。研究结果可为矿井工作面涌水量预测及防控提供参考。     

发生在"猛禽医院"的故事--记北京猛禽救助中心

麻雀、乌鸦北京不少,北京还有猛禽？也许你会有这样的疑问,相信在下面的内容里会带给你意想不到的收获与体验。     

开心一刻

周立波经典台词1.谢谢大家!今天你们这么多人来参观我,我感到非常荣幸……2.阿拉(我们)的股票,不仅玩人,而且玩鸟。连鸟都被你们玩死了,那阿拉还玩个鸟啊?!3.最残骨骸(可怜的)就是那些麻雀。证券公司门口那个大屏幕最近没有红过,一直是碧绿的。麻雀又不懂得,它们以为共青森林公园到了,延中绿地到了,一只只朝大屏幕上冲!冲一只死一     

“消灭麻雀”的历史追溯

关于“消灭麻雀”的故事，经历过五、六十年代的人，也许都记忆犹新。但是，事过境迁之后，有多少人还愿意回过头来，再看看那个时代的历程呢？翻开零零星星的史料，重新回到那个恍如隔世的故事中去，仔细品味起来，总感觉到离我11）并不遥远……1956年初，总共4O条的《全国农业发展纲要》颁布实施，其中第27条规定：“除四害。从1956年开始，分别在5年对年或者问年内，在一切可能的地方，基本上消灭老鼠。麻雀、苍蝇、蚊子。”一个重大的决策就这样诞生了。此后几年，麻雀不仅被定性为害乌，还被判处极刑。平同各地在一种空前的热情感召下…     

基于改进麻雀搜索算法优化BP神经网络的土壤有机质空间分布预测

土壤有机质是衡量土壤肥力的重要指标,提高区域有机质空间分布预测精度十分必要.利用黄河流域卫宁平原采集的1 690个土壤表层（0~20 cm）有机质及自然环境、人类活动数据,通过1 348个点采用经典统计学、确定性插值、地统计插值和机器学习的方法分别建立了土壤有机质空间分布预测模型,以342个样点数据为测试集检验分析不同模型预测精度.结果表明,卫宁平原土壤表层ω（SOM）的平均值为14.34 g·kg^-1,1 690个采样点土壤有机质变异系数为34.81%,为中等程度变异,呈现出东北部、西南地区含量低,中间黄河左右岸和地势平缓的黄河阶地相对含量高的空间分布趋势.4类方法的预测精度大小为：机器学习法>地统计插值方法>确定性插值方法>经典统计学方法.通过对比,基于改进麻雀搜索算法优化的BP神经网络预测精度最好,改进后的麻雀搜索算法具有更优的收敛精度,避免了陷入局部最优,防止了数据过拟合,具有较好的预测能力,该优化算法可以提高土壤有机质含量预测精度,在土壤属性预测上有良好的应用前景.     

基于MCMC填补的SSA-SVM煤与瓦斯突出预测模型

为提升煤与瓦斯突出预测准确度,减小数据缺失对煤与瓦斯突出预测的不利影响,提出1种基于链式多重填补马尔科夫链蒙特卡罗(MCMC)的麻雀搜索算法(SSA)优化支持向量机(SVM)预测模型。根据突出影响因素选取模型参数,运用MCMC对突出事故缺失值进行数据填补,采用SSA优化SVM,建立MCMC-SSA-SVM模型对填补后数据集进行预测,验证MCMC填补有效性和SSA优化性能;分别构建SVM、SSA-SVM、PSO-SVM、GAM-SVM、CMC-SVM、MCMC-PSO-SVM和MCMC-GA-SVM这7种模型进行突出预测,对比预测准确度,分析MCMC-SSA-SVM、MCMC-PSO-SVM和MCMC-GA-SVM的适应度。研究结果表明：MCMC填补后准确度均提升7.89个百分点以上,SSA的优化性能强于PSO和GA,MCMC-SSA-SVM预测准确度最高,为97.37%,泛化能力优于对比模型。研究结果可为煤与瓦斯突出预测研究提供借鉴和参考。