钢锭模的热疲劳

本文从热疲劳角度研究钢锭模的破坏。通过模型试验模拟了钢锭模的热疲劳破坏,提出了改善热疲劳性能的改进模型,用有限单元法分析了实际钢锭模和改进型钢锭模在铸钢—水浴过程中的热应力变化,说明了热疲劳破坏的机制及改进型钢锭模的有效性。     

一种基于机器学习的视频镜头边界检测方法

镜头边界检测是基于内容视频检索中的第一步,在视频分析中扮演着重要角色。在此基于统一的机器学习框架,提出一种新颖的模式分类方法来解决新闻和广告视频中镜头检测问题。该方法利用支持向量机将镜头分为无场景变化、切变以及大场景变化;在大场景变化中,进行快速运动和渐变的分类。同时研究了以往同类工作中所忽视的不平衡样本分类问题。实验结果表明该方法能有效检测出新闻和广告视频中的镜头转换。     

城市内涝事理图谱构建方法及应用

为消除城市内涝事件的突发性和空间易变性对城市内涝灾害决策调度的影响,构建城市内涝事理图谱,并在此图谱上提出成因分析应用的框架。利用规则模板库抽取中文城市内涝语料库中的因果事件句,基于投票机制的深度神经网络融合方法抽取因果句中的事件,融合手工规则实现城市内涝事理图谱的构建。采用事理图谱自动生成以内涝点为中心的场景,用生成的场景自动生成并训练离散动态贝叶斯网络,并在该网络上进行内涝点成因分析。结果表明,所构建的城市内涝事理图谱能较好地描述所在城市的内涝演化规律,成因分析结果与真实结果对比表明,此方法能准确找到内涝点处产生内涝的成因,并排除有干扰影响的伪成因。     

三种机器学习模型在太湖藻华面积预测中的应用

基于2014—2018年太湖气象水文水质数据与卫星遥感数据,分别采用支持向量机(SVM)、长短记忆神经网络(LSTM)、极端梯度提升树(XGBoost)模型模拟全太湖、贡湖、南部沿岸区、中西北湖区的蓝藻水华(简称藻华)面积。结果表明:(a)XGBoost全太湖与分区藻华面积回归模型模拟效果较好,其次是SVM、LSTM回归模型;不同时间尺度下SVM、XGBoost回归模型对全太湖藻华面积模拟结果偏小,但有效模拟了藻华的发展趋势。(b)XGBoost分类模型在全太湖、中西北湖区模拟准确率较高,优于SVM、LSTM分类模型;在贡湖、南部沿岸区,3种分类模型准确率均较高。(c)以当天、提前1 d的气象水文水质因子作为全太湖与分区藻华面积模型输入,XGBoost回归与分类模型模拟精度较高、稳健性较好,预测应用情景较好。     

基于Voronoi图的复杂对象空间方位关系的推理计算

在分析总结前人研究成果的基础上,研究了复杂对象之间的空间方位关系,提出了基于Voronoi图的空间方位关系的推理模型,并详细论述了该模型的算法实现过程及步骤.实例计算表明该模型是正确和有效的.模型无需区分源目标与参考目标,具有自反性,不受对象的形状、大小、位置和距离等的影响,容易与基于Voronoi图的空间拓扑关系的相关理论结合,形成统一的推理模型.     

新安江模型和支持向量机模型实时洪水预报应用比较

选择新安江模型和支持向量机模型分别在浙江省、陕西省的4个流域进行实时洪水预报,并使用K-最近邻实时校正法对新安江模型预报结果实时校正,比较2种模型在不同流域的应用效果,其中选择确定性系数、峰现时间误差、洪峰相对误差和均方误差作为模型预报评价指标。进一步改变预报预见期并分析2种模型在不同预见期内的预报精度。研究结果表明,新安江模型和支持向量机模型在不同流域洪水预报中各有优势,支持向量机模型预报精度受降雨精度影响较大。当预报预见期较长时,新安江模型预报结果更好;随着预见期缩短,支持向量机模型预报精度显著提高,在短预见期实时预报中支持向量机模型优势更明显。在预报难度较大的半湿润半干旱流域,新安江模型和支持向量机模型在率定期和实时预报过程中均具有较高精度。