基于支持向量机的煤矿井水害水源自动识别方法研究

为了提高识别煤矿井水害水源的正确率,针对一些小样本的水害水源分类识别问题,提出利用支持向量机(SVM)分类识别。潞安集团所属煤矿区是同一成煤时期形成的,具有相似的特点,SVM训练集的样品取自潞安集团所属各煤矿,训练好SVM后,对潞安集团所属的高河能源有限公司煤矿井水害水源进行了分类识别。实验和生产实践证明该方法分类识别煤矿井水害水源的效果较好。     

基于免疫算法改进的反向传播神经元网络矿井水害水源识别研究

为了提高识别矿山水害水源(即,判定水的类型)的正确率,利用免疫算法设计并优化了反向传播神经元网络(BPNN)的结构并求得BPNN的各层权系数和阈值的初值,用该初值训练BPNN,获得最佳的BPNN各层的权系数(权重)和阈值,使其适合识别矿山水害水源。用训练好的BPNN识别待判定的水源是哪一种类型的水源,判定水源的危害程度。实验和潞安集团所属煤矿区的矿井和钻孔水样检验结果说明用该方法是有效可行的,识别矿井水的水源的准确率可达到93%。     

基于遗传BP神经网络的矿井突水水源识别

为了快速有效识别矿井突水水源,消除矿井水害,综合考虑各种水化学离子在水源识别中的重要性,选择Na~++K~+、Ca~(2+)、Mg~(2+)、Cl~-、SO_4~(2-)、HCO_3~-等6种水化学离子作为识别因子,提出了一种基于遗传算法优化BP神经网络的矿井突水水源识别方法.在同样的训练样本和待测样本下,将该方法的识别效果与BP神经网络、距离判别法、Bayes判别法等方法的识别效果进行比较.仿真结果表明该方法收敛速度更快,识别精度更高.     

掘进巷道超前富水性快速探测技术及水害源快速识别方法研究

研发出适合于巷道超前探测的一种具轻便、快捷且能即时得到探测成果的富水性超前快速探测方法及设备;通过水害源快速识别方法研究,并结合矿区的水文地质特征,研究出适合于煤矿水害源识别的具轻便、简便、快速功能的水害源快速识别方法。     

基于主成分分析和支持向量机的矿井水源判别

针对传统支持向量机法判别矿井水源准确率较低的问题,选取7种水化学成分指标作为矿井水源判别的指标,采用主成分分析(PCA)和支持向量机(SVM)相结合的方法建立PCA-SVM矿井水源判别模型。以山东盛泉矿业有限公司矿井太原组灰岩含水层和奥灰含水层的水化学特征中的27个样本进行训练和检验,并与传统的支持向量机模型结果进行比较,利用PCASVM模型对矿井水源进行判别,分类准确率由66.67%提高到83.40%。研究结果表明,利用PCA-SVM矿井水源判别模型能有效消除判别指标间的相关影响,判别率较高,引进主成分分析算法是必要的。     

基于人工智能技术的矿井水害来源识别模型库的建立方法研究

为了建立合理的矿井水害识别模型库,以便提高水害来源识别的准确率,提出了建立水害识别模型库(水的水化学模型)的原则和方法技术。这个原则是各类水害来源模型内部的类内离散度尽可能小,使其具有代表性;各个模型之间的类间离散度尽可能大,以便清楚的区分各个水害来源的总原则。给出了描述这个原则的数学公式以及实现上述原则的方法技术。在山西潞安环保能源开发股份有限公司的多个煤矿进行了生产性验证。生产实践证明提出的原则和方法技术是可行的、识别矿井水的来源(判定水的类型)的准确率可达到95%。     

Fisher方法在矿井突水水源判别中的应用

快速且准确地判定突水水源是有效预防矿井突水事故的关键工作之一。本文以淮北矿区海孜煤矿为例,选取6大常规离子作为突水水源识别的样本变量,运用Fisher判别分析法建立突水水源判别模型。并与Q型聚类分析法判别的结果进行比较。研究结果表明:Fisher判别模型能够有效地判别突水水源,比Q型聚类分析有更高的准确性,实现对突水水源快速有效的判别。     

孙疃煤矿1028工作面底板突水特征与水源识别

在研究孙疃煤矿地质条件及水文地质特征的基础上,对1028工作面底板突水特征、水化学特征、含水层水位动态变化,得出1028工作面突水水源主要来源于10煤上下砂岩裂隙水,太原组灰岩上、中含水层段水是主要补给水源,与第四含水层和太原组灰岩下含水层段无关.     

基于多元统计与Bayes判别模型的水源判别

准确判别突水水源是矿井水害治理方案制定的基础,对保障矿井安全意义重大.以淮北袁店一矿为例,首先对37组水样进行了常规离子含量测定.其次,利用因子分析法,提取出能够代表水样特性的关键因子及其组合特征,从而达到降维简化的目的 .再次,利用Q型系统聚类,结合不同含水层水样特征,剔除离群数据.最后,基于Bayes函数建立突水水...     

浅谈矿井突水原因及其防治

矿井突水现象在我国煤矿生产部门是普遍存在的,特别是在华北、东北、华南尤为严重。因此我们不断分析研究各种突水现象的原因、机理,总结矿井突水规律,进行突水预测,这对下一步煤矿安全生产具有重要的意义。     

人工智能背景下网络舆情数据识别及管理研究

大数据时代网络舆情数据逐年增多,单依靠传统方法识别,存在效率低、反馈不及时等诸多问题。本文研究利用人工智能的思维与技术手段来解决网络舆情数据的识别及管理,首先借助爬虫技术,通过网络平台爬取舆情数据;接着对标注好的文本数据进行清洗、中文切词、停用词过滤等预处理操作;再使用支持向量机构建数据识别模型,对数据进行文本识别;最后将识别后的诉求件反馈到相关职能部门,以确保管理落到实处。研究结果表明识别效果好,诉求件的识别准确率高达95.3%,采用人工智能数据挖掘技术识别网络舆情数据是有效可行的,其应用实施能有效提高政府部门的管理效率。     

基于统计的中文机构名自动识别

通过对中文机构名的语法语义特性进行分析,将中文机构名分成前部词和特征词,提出了一种基于统计的识别方法.使用成熟语料库的训练数据,计算候选机构名的特征词可信度、前部词首词可信度和前部词中部可信度,最终得到机构名构词可信度,并与给定阈值比较,实现了中文机构名识别.在开放性实验中,达到了85.57％的召回率和94.37％的准确率.     

汽车牌照自动识别中二值化方法的研究

在车牌图像处理过程中，首先遇到的问题就是图像二值化．针对汽车牌照的特点，介绍了一种新的二值化阈值方法，此方法借鉴了P片法的二值化思想，不仅充分考虑了车牌自身的特点，同时融入对直方图形态的考虑，能准确找到双峰直方图的波谷位置．并与Otsu算法和另一种全局动态阈值算法作了比较，从结果上看执行效果较好．     

基于BSN和CHMMs的人体日常动作识别方法研究

应用人体传感器网络(body sensor networks,BSN)识别人体日常动作可以有效地提高对老年人、慢性病人,以及术后病人等特殊人群的医疗监护质量.为此建立了一个基于BSN的人体日常动作监督平台,应用采集到的加速度信号识别9个常见的人体日常动作.针对动作识别过程中存在的多传感器数据融合问题,提出一种基于耦合隐马尔可夫模型(coupled hidden Markov models,CHMMs)的动作识别方法.实验结果显示,与已有动作识别方法相比,提出的基于CHMMs的动作识别方法的识别正确率有明显的提高.     

基于改进神经网络的自动调制识别研究

自动调制识别技术可以用于排除通信系统中的非法用户及其干扰,是保证合法通信的关键措施之一.选取了几种典型的调制方式MFSK,MASK,BPSK,QPSK,OFDM,通过分析其时域特征,提取了反映调制类型显著差异的5个特征参数的新组合.为了克服标准BP算法收敛速度慢且存在多个局部最小点等缺陷,采用改进的弹性BP算法,从提高收敛速度和网络识别性能出发,构建了有效识别调制信号的弹性BP神经网络分类器.仿真结果表明,与基于决策理论的逐级判决调制识别方法相比,所设计的弹性BP神经网络分类器在SNR=0～20dB时对以上的调制方式均具有较高的识别率,即使在SNR=0 dB时也达到了95%以上的识别率.     

基于改进神经网络的自动调制识别研究

自动调制识别技术可以用于排除通信系统中的非法用户及其干扰,是保证合法通信的关键措施之一。选取了几种典型的调制方式MFSK,MASK,BPSK,QPSK,OFDM,通过分析其时域特征,提取了反映调制类型显著差异的5个特征参数的新组合。为了克服标准BP算法收敛速度慢且存在多个局部最小点等缺陷,采用改进的弹性BP算法,从提高收敛速度和网络识别性能出发,构建了有效识别调制信号的弹性BP神经网络分类器。仿真结果表明,与基于决策理论的逐级判决调制识别方法相比,所设计的弹性BP神经网络分类器在SNR=0~20 dB时对以上的调制方式均具有较高的识别率,即使在SNR=0 dB时也达到了95%以上的识别率。     

基于集群智能的高速公路交通状态识别算法

针对传统交通状态识别算法仅考虑交通参数个体特征差异而存在识别率较低的问题,引入集群智能概念,提出了既考虑交通参数个体特征差异,又考虑个体参数所蕴含的群体特征差异性的高速公路交通状态识别算法。由于模糊C均值聚类算法(fuzzy C-means algorithm,FCM)在交通状态识别泛化能力上存在收敛缓慢的不足,基于反向学习策略以及鲸鱼优化算法(whale optimization algorithm,WOA),考虑个体交通参数所蕴含的集群行为增强了交通状态初始聚类中心种群的多样性,设计了一种具有良好的全局搜索能力集群智能的高速公路交通状态识别算法,融合了反向学习、WOA和FCM算法,克服了FCM识别算法容易陷入局部最优的局限。实证分析结果表明,所提出的交通状态识别算法具有良好的识别效果,准确率达到92%,且收敛速度较FCM算法更快。     

一种基于支持向量机的行人识别方法研究

研究了基于支持向量机的车辆前方行人识别方法.通过提取样本的类Haar特征,采用AdaBoost算法训练得到了分割行人的级联分类器,实现了行人候选区域的快速分割;提取了样本的纹理特征、对称性特征、边界矩特征以及梯度方向特征,组成表征行人的多维特征向量,采用支持向量机训练得到了识别行人的分类器.试验结果验证了所提算法的有效性,获得约75%的行人检测率.