支持向量机在围岩变形监测中的应用

根据支特向量机优越的非线性拟合性能,建立变形量的时间序列预测模型,滚动预测围岩变形量,提高了预测模型的训练速度和预测推广能力。该方法用于西乡-固戍盾构段围岩变形预测,并与BP神经网络预测进行比较。结果表明这种模型可预测区间较长且具有较高的准确度,能够科学地指导现场施工和监测。     

半监督增量式SVM在故障诊断中的应用研究

基于半监督学习能够有效降低人工标注成本,以及增量学习可以加快训练速度,避免数据量大时训练时间过长等特性,本文提出了一种半监督增量式SVM算法.在算法中,首先对已标记样本进行训练得到初始分类器,然后利用此分类器对新增样本进行标记,最后结合KKT条件选择合适的样本对分类器进行更新.每当有新样本加入便执行以上过程,以保证分类器得到及时更新.将该算法运用于6135D型柴油机的故障诊断中,并与传统SVM算法和增量式SVM算法进行了对比,证实了本文所提算法的可行性与有效性.     

基于支持向量机和粒子群算法的电子鼻伤口感染检测

针对传统的伤口感染诊断方法耗时长,操作复杂等问题,提出了一种基于电子鼻和支持向量机(SVM)的方法进行伤口感染检测,分别检测非感染和三种常见病原菌感染的大白鼠伤口顶空气体,然后利用 SVM对实验数据进行识别.同时,鉴于传感器阵列的优化以及 SVM参数选择对其分类准确率有重大的影响,提出一种基于粒子群算法(PSO)的传感器阵列和 SVM参数同步优化方法.实验结果表明,SVM结合 PSO与传统的神经网络以及遗传算法相比,极大提高伤口感染检测的准确率     

基于SVM的旋转机械转子故障预示研究

支持向量机包括支持向量回归机和支持向量分类机.本文提出了一种用于旋转机械转子故障预示的方法,通过支持向量分类机（SVC）对旋转机械转子故障进行分类并建立故障分类器,利用支持向量回归机（SVR）对转子运行状态趋势进行预示,并将预示结果输入到SVC以判断预示结果的属性.对支持向量回归机进行了仿真研究.将支持向量机与神经网络算法从理论和实验研究两个方面进行了对比研究,结果表明,该方法具有较好的故障预示能力.     

专家系统在切割机故障诊断中的理论与应用

本文介绍了一个用于切割机电气故障的专家诊断系统。专家诊断系统与切割机控制系统通过信号联络线同步运行,能够实时地在线地检测和诊断步进电机的驱动电路。专家诊断系统以单片机8031为核心,采用产生式规则建立知识库,用广度优先搜索法进行向后推理,运用并行推理方式提高搜索速度。样机运行结果表明,专家诊断系统达到了设计要求。     

基于最大方差展开的非线性信号降噪方法及其在故障诊断中的应用

将流形学习的思想引入信号降噪中,提出了一种新的基于最大方差展开（maximum variance unfolding,MVU）的非线性信号降噪方法.该方法首先基于相空间重构理论将含噪信号重构到高维相空间,再采用流形学习理论中的MVU算法对相空间数据进行非线性降维,将蕴含在相空间中代表吸引子的低维流形与噪声子空间分离,然后对低维流形进行逆重构,从而得到降噪后的信号.对加噪的Lorenz信号的仿真结果表明,该方法的降噪性能要优于基于KPCA的非线性降噪方法,且具有参数估计简单、参数影响不大等优点.最后将该降噪方法应用于带有轻碰磨故障的航空发动机转子―机匣系统振动信号,有效地提取出了淹没在噪声中的轻碰磨故障特征.     

平推无扰曲线及其在机械臂无扰运动规划中的应用

为扩展对空间自由漂浮机械臂系统进行的载体姿态无扰运动规划的可解空间,提出一种新的运动规划方法.首先,首次提出一类平推无扰曲线,利用自由漂浮机械臂系统的非完整约束推导了平推无扰曲线满足的方程,并分析了平推无扰曲线的特性;其次,将满足载体姿态无扰的关节运动曲线分为两段,其中一段是经过目标点的平推无扰曲线,另一段是通过初始点并且和平推无扰曲线相交的一般无扰曲线;最后,基于Gauss伪谱法和直接打靶法的混合规划策略求解一般无扰曲线.数值计算的结果表明,本文提出的方法能够快速有效实现机械臂的无扰运动规划,并且该方法的可解空间几乎可以覆盖机械臂系统的整个工作空间.     

基于支持向量机回归与分源预测法的瓦斯涌出量预测模型及其应用

针对目前瓦斯涌出量预测模型存在的局限性及精度低等问题,应用分源预测和支持向量机(SVM)的基本原理,将SVM回归与分源预测法相结合,并利用SVM对回采工作面的瓦斯涌出量进行回归分析和数值模拟,建立了SVM分源预测的数学模型,提出了SVM分源预测的新方法。数值实验表明,将训练成功的SVM模型对现场数据进行回归预测并对比预测结果与实际值发现,SVM比BP神经网络预测精度更高,训练样本期望输出与实际值的最大相对误差为1.45%,小于实际要求的5%,准确率较高,预测风险低,可以满足实际要求。     

金属-有机框架材料的合成及其在水中重金属吸附的应用研究现状

金属-有机框架材料(MOFs)具有设计合成方法多样、合成后易于改性、对重金属吸附量大、平衡时间短等优点,已被广泛研究和应用。近年来,MOFs在水中重金属吸附中的应用研究,成为了十分热门的课题。水稳性是反映吸附材料在水中稳定性的重要参数,具有良好的水稳性是MOFs成功地应用于去除水中重金属离子的前提。本文结合近十年MOFs在重金属吸附领域的研究情况,从MOFs的合成、水稳性、在重金属吸附中的应用、再生与重复利用几个方面,综述了MOFs的合成方法、MOFs的合成后修饰、MOFs的水稳性、MOFs对水中As、Pb、Hg、Cd、Cr、Cu等重金属离子的吸附,以及MOFs的再生等的研究现状,并提出了今后MOFs在重金属吸附领域的研究方向,为MOFs在重金属吸附领域中合成与应用提供参考。     

聚乳酸及其复合材料在生物医药中的应用研究

本文综述了聚乳酸作为药物缓控释载体材料、组织工程支架材料和医用敷料的研究进展;介绍了聚乳酸．聚乙醇酸、聚乳酸,磷酸钙等复合材料在生物医药中的应用。     

基于SVM的环境减灾卫星HJ-1B影像作物分类识别研究

环境减灾卫星作为我国自主研制发射的环境与灾害监测预报卫星,要发挥它的作用就是要更好的使用其数据源。支持向量机（SupportVectorMachine,SVM）是一种卓越的分类方法,本文通过SVM方法对环境减灾卫星14J-1B星CCD影像数据进行作物分类识别实验并将结果与最大似然法分类结果进行比较。结果表明：利用SVM方法进行遥感图像分类,精度优于传统的最大似然法分类精度;HJ—1A／1B星CCD数据对于农作物具有较好的指示效果,可应用于作物识别等农业领域。     

基于模糊故障树的柴油发动机故障诊断方法研究

机车在交通运输领域有着不可替代的作用,提高机车的运用和维修的可靠性是实现其功能的保证。本文将模糊数学理论与故障树分析方法相结合,建立了16V240ZJ型机车发动机的故障树模型,对以发动机不能正常起动为顶事件的模糊故障树的模糊算子进行了分析计算;并对该模糊故障树进行了定性及定量分析。通过对燃油供给系统、空气供给系统、起动系统及其主要组成部件发生故障的概率分析,得到了机车不能正常起动的故障树顶事件发生的模糊概率隶属曲线及顶事件发生的概率可信区间。采用模糊故障树对发动机的故障进行诊断的方法克服了传统故障树分析中需要大量可靠性数据和部件失效精确概率值的缺点,同时为开展机车的运用和维修工作提供了一定的理论分析基础。     

基于贝叶斯网络的变压器故障诊断及重要度分析

以云南电网公司提供的500 kV变压器历史运行数据为依据,利用贝叶斯网络和数据挖掘技术,结合变压器油中溶解气体分析的改良三比值法,针对500 kV变压器建立故障诊断模型,并对引起变压器故障的各影响因素进行重要度分析。最后,利用变压器实时运行数据进行试验,验证了模型的有效性和实用性。     

自移式掘进机辅助支护设备底座的设计及有限元分析

通过对自移式掘进机辅助支护设备底座的概念设诗,利用ANSYS软件结合Pro／E软件对设备的底座进行三雏建模和有限元分析。通过分析结果对底座进行了强度和刚度校核,验证零部件设计的合理性,为设计的可行性提供了理论依据。     

Forecasting Daily and Monthly Exchange Rates with Machine Learning Techniques

In this paper we propose and test a forecasting model on monthly and daily spot prices of five selected exchange rates. In doing so, we combine a novel smoothing technique (initially applied in signal processing) with a variable selection methodology and two regression estimation methodologies from the field of machine learning (ML). After the decomposition of the original exchange rate series using an ensemble empirical mode decomposition (EEMD) method into a smoothed and a fluctuation component, multivariate adaptive regression splines (MARS) are used to select the most appropriate variable set from a large set of explanatory variables that we collected. The selected variables are then fed into two distinctive support vector machines (SVR) models that produce one‐period‐ahead forecasts for the two components. Neural networks (NN) are also considered as an alternative to SVR. The sum of the two forecast components is the final forecast of the proposed scheme. We show that the above implementation exhibits a superior in‐sample and out‐of‐sample forecasting ability when compared to alternative forecasting models. The empirical results provide evidence against the efficient market hypothesis for the selected foreign exchange markets. Copyright © 2015 John Wiley & Sons, Ltd.