基于差分最小二乘支持向量机的目标识别研究

目标识别是目前机器视觉、图像处理和模式识别领域的研究热点之一,广泛应用于各行各业。最小二乘支持向量机算法简便、速度快、精度高,是当前目标识别的主流算法之一。针对最小二乘支持向量机的参数难以确定,仅靠传统经验试凑的方法不易实现,且结果不理想;提出一种改进的差分进化算法实现最小二乘支持向量机的参数整定。通过改进变异策略,引入早熟判断机制,遏制了传统算法早熟收敛的问题。通过实验仿真,验证了改进算法可跳出局部最优点,结果比传统算法更优。以SM-TMSSY光电伺服跟踪转台为实验平台进行实例验证,证明了改进算法收敛速度快、精度高,正确识别率可从85%提高到92.5%,验证了算法的优越性。     

基于I-ELM的飞机复合材料结构损伤识别研究

针对飞机复合材料结构损伤难以有效识别问题,本文提出一种基于增量型极限学习机(Incremental Extreme Learning Machine,I-ELM)的飞机复合材料结构损伤识别新方法。首先对某型机用复合材料层合板进行冲击,而后对其进行疲劳拉伸试验,通过优化布局在复合材料层合板上的光纤光栅传感器募集应变信息,并对其进行预处理。采用互补总体平均经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)方法对募集的应变信息进行自适应分解,得到多个本征模态分量(Intrinsic Mode Function,IMF),计算各阶IMF分量的样本熵,通过核熵成分分析(Kernel Entropy Component Analysis,KECA)方法对样本熵进行特征融合,构建融合特征向量,采用融合特征向量建立基于I-ELM损伤识别模型,通过实验对损伤识别模型的有效性进行了验证,并与所构建的BP的损伤识别模型的识别结果进行了比较。结果表明,该方法能有效对飞机复合材料结构损伤进行识别,具有很好的应用前景。     

基于断裂力学方法的粉末盘低周疲劳寿命预测

为克服传统寿命预测未能考虑粉末合金夹杂物的缺陷,在某粉末封严盘定寿过程中,使用计算断裂力学方法模拟了夹杂缺陷从初始状态一直增大到可检尺度的扩展过程,并将该过程经历的循环数作为裂纹萌生寿命。在考虑小裂纹扩展速率修正的情况下萌生寿命为1639循环,若不采用修正则为4956循环,说明忽略"小裂纹效应"会得出偏于危险的萌生寿命计算结果。对含裂纹有限元模型的建立、裂纹扩展寿命计算中积分路径的选取等问题进行了讨论。使用断裂力学方法预测裂纹萌生寿命需要重复多次有限元计算及前沿光顺化处理,时间耗费较大,但在精确定量分析方面具有优势,可作为现有方法的有益补充,为发动机限寿件检修周期的确定提供依据。     

基于涡流传感器的非接触式金属板厚度测量系统

利用涡流无损检测方法对金属板材进行厚度测量时,由于电涡流传感器探头线圈的阻抗表达式过于复杂,金属板材的电导率、磁导率和厚度等因素对探头阻抗的影响难以通过探头线圈的阻抗变化进行观察。针对这一问题,介绍了一种基于涡流传感器的非接触式金属板厚测量系统。该系统利用PSD技术实现涡流阻抗信号的正交分解,采用STM32单片机对数据进行处理,最后进行人机操作、液晶显示和数据存储。整个系统具有较高的检测精度和灵敏度,能够在强噪声背景的干扰下实现阻抗信号的二维信息检测。     

储罐罐壁缺陷的低速漏磁检测研究

针对储罐罐壁缺陷的漏磁检测,做出速度效应分析,研究了不同速度时,以及低速时各缺陷的漏磁检测效果。通过速度效应的理论分析,再利用有限元仿真软件分析磁滞后效应与涡流效应,发现缺陷的低速检测结果是可以通过软件模拟的;同时可忽略涡流效应。模拟分析了不同缺陷的低速漏磁检测结果,并得到了很好的结果曲线。最后通过实验证明:4 m/min的速度具有很好的漏磁检测效果。     

自走式U型渠掘进机主要技术与试验研究

针对目前传统U型渠施工效率低,耗费大的问题,提出了一种自走式U型渠掘进机(以下简称掘进机)的设计方案。介绍了掘进叶片与切土刀片共同作业的U型渠成型方法,对掘进叶片的动力学进行了分析。基于经典切削理论,引入挤碎、输送土壤等因素后,推导出了掘进叶片施工过程的切削合力。确定了影响掘进叶片功率消耗的主要因素。利用滑切原理对切土刀片进行了设计。目前,掘进机已投入使用,承建U型渠道长度达320 km。试验表明掘进机成型的沟渠在顺直性、横断面尺寸标准性、填土密实度达标率等方面均优于传统施工方案。     

机器学习模型在地下水埋深模拟中的适应性分析

基于京津冀气象、社会资料及地下水埋深数据,构建支持向量机(SVM)、循环神经网络(RNN)和长短期记忆神经网络(LSTM)模型对京津冀地区13个城市地下水埋深进行了模拟,并以确定系数、均方根误差、平均绝对百分比误差、纳什系数对3个模型的适应性进行了评价。结果表明:LSTM模型模拟效果最好,其次是RNN,SVM最差;不同城市基于LSTM模型进行地下水埋深模拟时参数调整最少,适应性最好,SVM模型参数调整最多。将3个模型应用于随机选择的6个测站进行验证,在华北地区浅层地下水埋深模拟方面,LSTM模型模拟精度和可信度最好,适应性最强,是该地区地下水埋深模拟的首选机器学习模型。     

杉木第4代育种候选群体的12年生全同胞子代测定表现与选择

【目的】福建-南京林业大学合作的杉木多世代遗传改良计划,于2006年起陆续开展第4代育种候选群体的遗传资源创制、测定和评价。本研究旨在通过全同胞子代测定(第4代育种候选群体系列测定之一),为2016年启动的杉木第4代种子园营建技术研究和后续的生产性种子园建设提供优良亲本。【方法】 分别测定了杉木第4代候选群体中第2批1个12年生全同胞家系测定林1~12 a树高,4、5、 6、9和12 a的胸径,计算参试家系的单株平均材积;选取所有小区家系内的12年生的最优单株,采集胸高木芯样品测定木材基本密度和红心材比例。根据参试家系生长性状年度均值和变异系数评价家系生长性状稳定性;在方差分析基础上,估算遗传方差和遗传力;比较不同林龄、不同选择率以及早期选择对12年生时入选家系的准确率和材积遗传增益的影响。最后,以材积遗传增益为主要指标,兼顾材性性状,开展优良全同胞家系和家系内优良单株选择,预测入选家系和单株的遗传增益。【结果】 杉木第4代候选群体第2批62个全同胞子代测定结果表明,参试家系12 a平均树高、胸径、单株材积生长量、木材基本密度和红心材比例分别达到12.63 m、15.2 cm、0.136 8 m³、0.328 0 g/cm³和40.76%。参试家系所有性状的遗传方差均达到统计学极显著差异水平,候选群体中存在真实的遗传差异。家系树高、胸径和单株材积狭义遗传力分别为0.246、0.358和0.329,家系内最优单株树高、胸径及单株材积狭义遗传力分别为0.464、0.687、0.680。以12 a材积生长量性状为优选基准,兼顾木材基本密度和红心材比例,进行优良家系和家系内优良单株的综合选择,筛选出10个速生全同胞家系,其平均树高、胸径、单株材积、基本密度和红心材比例分别为13.34 m、17.0 cm、0.176 3 m³、0.320 2 g/cm³ 和40.76%。入选家系平均材积遗传增益幅度为6.14%~21.60%。中选的19个优良个体的材积生长量遗传增益幅度为58.62%~178.20%(平均为83.12%)。12年生最优家系木材基本密度达0.363 3 g/cm³,家系内最优单株木材基本密度最高达0.476 4 g/cm³。19个中选优良单株的材积平均遗传增益为83.12%,木材基本密度提高10%以上,红心材比例提高12.78%。这批材积生长量遗传增益突出,木材基本密度高,红心材比例高的优良家系和优良单株,不但是营建第4代种子园重要亲本来源,而且也是优良无性系培育和推广应用的重要遗传资源基础。本研究还对家系的树高、胸径和材积生长量稳定性、选择率对遗传增益的影响,以及家系材积生长量早晚相关及其早期选择年龄等进行了分析。结果表明,以材积为生长量的综合指标,家系选择率15%时,无论4、5还是6 a时的早期选择结果,与12 a选择入选家系的符合度与遗传增益均达到最高值。这说明杉木第4代遗传改良中,据4~6 a幼林的材积生长表现开展早期选择,不仅可行有效,还大幅度节约了时间,缩短了育种周期。【结论】 杉木第4代遗传改良的1个候选群体在生长发育和木材性能方面存在丰富的遗传变异。这些在材积生长量、基材密度和红心材比例等方面遗传增益较高的优良亲本和重选优良个体不仅是杉木第4代种子园建立的重要亲本来源,还是杉木优良无性系选择的重要遗传资源。     

近红外光谱和支持向量机用于凌霄花产地鉴别

收集6个产地凌霄花样品的近红外光谱,构建支持向量机(SVM)模型进行产地鉴别.运用竞争自适应重加权采样(CARS)算法提取特征波长变量,在此基础上建立CARS-SVM产地判别模型.将该判别模型与线性判别分析、偏最小二乘判别分析和簇类独立软模式法3种模型进行比较.结果表明,SVM模型对不同产地凌霄花样品的鉴别结果良好,经CARS提取特征波长后,波长变量数从1 557减小至52,所构建的CARS-SVM模型对6个产地样品的判别准确率较高,明显优于上述3种模型.因此,近红外光谱技术可快速准确判别凌霄花的产地,为凌霄花的产地鉴别与质量评价提供一种新的方法.     

利用少量体压传感器和支持向量机算法的坐姿识别方法

针对传统坐姿识别系统中传感器数量多和系统较复杂导致成本过高等问题,设计一种基于少量体压传感器和支持向量机(SVM)算法的坐姿识别方法.首先,设计一种由少量薄膜压力传感器构成的体压传感阵列,将其置于坐垫内部;然后,利用该传感阵列采集不同坐姿的体压数据,并绘制相应的体压分布等高线图;最后,以体压数据作为特征向量,结合支持向量机算法建模,以实现坐姿分类自动识别.测试结果表明:少量体压传感器也能获取不同坐姿的体压分布特征;SVM坐姿分类模型在熟悉样本下的坐姿识别准确率达98.3%,在陌生样本下的坐姿识别准确率达92.5%.