用量子化学方法预测PCDFs的Ah受体结合能力(2):变量的灰色关联分析

为进一步阐明PCDFs的芳烃(Ah)受体结合能力与分子结构之间的关系，引入灰色关联分析方法，计算出作为描述符的12种结构-性质参数及一种衍生参数对于Ah受体结合能力的影响程度排序，并结合变量的物理意义进行分析。结果表明，最具影响的3种参数依次为分子最低未占据轨道能(Elumo)、亲电超离域度之和(Sr^E)、分子平均极化率(α)，这说明PCDFs分子的得电子能力和分子平均极化率对其Ah受体结合能力的影响最大，随着氯原子取代数目的增大，Elumo和Sr^E值变小，分子易得电子而被还原；而α值增大则意味着PCDFs分子与受体间色散力的增强，这2种因素促使Ah受体结合能力呈增大趋势。     

BP与GM(1,1)预测隧道涌水对比分析和实证

利用某隧道的涌水监测数据,对比BP神经网络和GM(1,1)灰色数列预测模型两种方法预测结果的差异,以考察其适应性与误差。结果显示,在小样本信息量少的情况下,GM(1,1)预测精度优于BP,但训练样本的精度低于BP;BP的预测结果同隐含层神经元个数密切相关,并存在一最优值;在监测数据较少时,对BP网络进行初始化和预测,每次训练样本的误差都满足要求,但预测值的误差大幅波动。研究表明,监测数据较少时,采用GM(1,1)较合适。通过分析小样本下产生上述结果的原因,提出了在有足够监测数据下,GM(1,1)用于中长期监测的改进方法(GM(1,1)展开或用Verhulst模型)、BP神经网络的改进方法(滑移窗口处理)。     

基于DFT与量子拓扑学的氯代二苯并呋喃QSPR研究

为了研究多氯代二苯并呋喃(PCDFs)在云杉针叶和飞灰表面的光解半衰期(t1/2)与其结构的定量关系,本文应用密度泛函理论(DFT),在B3LYP/6-31+G(d)基组上优化和振动分析计算了48种PCDFs的分子空间几何结构,得到其各原子之间空间拓扑距离,并建立拓扑空间距离矩阵.结合分子中各原子的支化度,应用原子平衡电负性对分子图进行着色修饰,得到量子拓扑指数XP1、XP2.采用偏最小二乘回归法(PLS)对48种PCDFs在云杉针叶和飞灰表面的t1/2进行模拟分析,分别得到2定量结构-性质相关(QSPR)模型,并用这种模型对t1/2进行预测,结果表明预测结果和实验值吻合较好.同时对QSPR拓扑模型采用留一检验法(LOO)进行测试,测试结果显示模型具有良好稳定性和较强的预测能力.     

木材导热系数的支持向量回归预测

根据木材在不同影响因素(密度、含水率和比重)下沿横纹方向(包括径向和弦向)的导热系数的实测数据集,应用基于粒子群算法(PSO)寻优的支持向量回归(SVR)方法,建立了木材沿不同方向的导热系数的预测模型,并与通过类比法(ANA)导出的理论模型和BP神经网络(BPNN)模型进行了比较。结果表明:基于相同的训练样本和检验样本,木材导热系数的SVR模型比其ANA模型或BPNN模型具有更高的预测精度;增加训练样本数有助于提高SVR预测模型的泛化能力;基于留一交叉验证法(LOOCV)的SVR模型预测的最大绝对百分误差(MPE)、平均绝对误差(MAE)和平均绝对百分误差(MAPE)均为最小。因此,SVR是一种预测木材导热系数的有效方法。     

多氯二苯并呋喃的定量结构-色谱保留关系研究

气相色谱的保留行为(RI/RRT)通常被用来区分不同的异构体.已有不少关于利用PCDFs的色谱保留行为和分子结构描述子建立定量结构-色谱保留关系(QSRR)来预测化合物的色谱保留值的报道.本文利用分子电性距离矢量(MEDV-13)表征PCDFs异构体的分子结构,结合最佳子集回归方法挑选出1～2个描述子,与PCDFs在不同固定相(DB-5,SE-54,OV-101)上的色谱保留值建立定量色谱保留关系模型.     

COSINE软件包堆芯物理分析程序(cosCORE)的初步验证

COSINE软件包堆芯物理分析程序(cosCORE)是一款基于节块展开法的堆芯扩散程序。为了验证cosCORE对轻水堆模型的临界计算能力与组件功率计算能力,对三维两群压水堆问题IAEA_3D基准题与BSS-14基准题进行测试验证,并与基准值进行比对。结果显示,对于IAEA_3D基准题,cosCORE与基准值k_(eff)的相对误差为0.669‰,组件相对功率误差均小于2.178%;对于BSS-14基准题,计算值与基准值k_(eff)的相对误差为0.677‰,组件相对功率最大误差为1.733 1%。     

基于PSO-BP神经网络的红外无损检测缺陷定量识别

为解决红外无损检测缺陷定量识别困难的问题,提出了一种粒子群算法(PSO)优化反向传播(BP)神经网络的缺陷定量识别方法。以最佳检测时间与最大温差为模型的输入,孔洞缺陷的深度与直径大小为模型的输出,建立粒子群优化的BP神经网络缺陷定量识别模型。使用ANSYS软件对带有平底孔洞缺陷的金属平板进行脉冲热分析,提取金属平板检测表面的最大温差与最佳检测时间,作为神经网络模型训练与检验的数据样本,使用神经网络进行预测。计算结果表明:预测值的最大误差为5.5%,最小误差为1%,证明了粒子群优化BP神经网络方法进行红外无损检测定量识别的可行性。     

尾部残差修正GM(1,1)模型在煤矿百万吨死亡率预测中的应用

 煤矿安全是当前安全生产工作的重中之重。为掌握煤矿安全生产情况,降低事故损失,保证中国煤炭工业健康、快速、可持续发展,本文在传统GM(1,1)模型的基础上,建立了关于煤矿百万吨死亡率的尾部残差修正GM(1,1)模型。将该方法应用于2001—2011年全国煤矿百万吨死亡率分析,并以此为基础对2012、2013年的煤矿百万吨死亡率进行预测,与传统GM(1,1)模型的预测结果进行对比分析。研究结果表明,传统的GM(1,1)模型精度较差,最大误差达到14.35%,经修正的尾部残差GM(1,1)模型预测结果可靠,实际值与预测值平均相对误差1.14%,最大相对误差3.81%,各项指标均明显优于传统的GM(1,1)预测模型,为政府、矿山企业制定安全生产目标、政策以及建立科学高效的安全管理机制提供理论依据。     

支链烷烃表面张力的结构信息法研究

本文根据分子结构的特点,应用二级结构信息法从分子间相互作用力的角度系统研究探讨了支链烷烃表面张力与其分子结构之间的关系,得到一个具有明确结构基础的定量关系。对大量支链烷烃表面张力的计算结果表明,本文定量关系计算值十分接近实验值,计算结果的平均绝对误差为0.00032(N/m)、标准偏差(S)为0.00038(N/m)、平均相对误差为1.54％,计算精度显著优于文献方法。     

基于HF-RBF的初始地应力场预测研究与应用

用水压致裂法(HF)测量地应力时存在实测数据数量少、不连续、精度低的问题.为此,建立基于HF-RBF的初始地应力场预测方法,首先构建埋深和水平主应力之间的学习样本,然后利用径向基函数(RBF)神经网络对学习样本进行训练,建立埋深与水平主应力之间的非线性映射,最后利用检验样本对初始地应力场预测效果进行检验.在黑龙江某矿山利用2个勘探钻孔开展了水压致裂法测量地应力试验,应用HF-RBF方法获得了该矿区水平主应力分布规律,训练样本最大预测误差为28.6%,检验样本水平最小、最大主应力预测误差都在10%以内,满足工程设计要求.表明了在矿山钻孔勘探期间,HF-RBF法能较好地预测矿区初始地应力场.     

Holographic QSRR of polychlorinated dibenzofurans

A new molecular representation, molecula rhologram, is employed to investigate the quantitative relationships between gas chromatographic retention indices (GC-RI) and molecular structures of polychlorinated dibenzofurans (PCDFs). Together with application of partial least squares (PLS) regression, the quantitative structure-retention relationship (QSRR) model is constructed for GC-RI of 135 PCDFs. This new QSRR model presents high statistical quality and predictive value with crossvalidation correlation coefficient q2Loo values of 0.998, and non-crossvalidationcorrelation coefficient r2 of 0.998. 100 PCDFs are selected randomly as training set and the rest as testing set. The resuit of PLS regressive analysis of training set yields r^2 of 0.998 and q2Loo of 0.997. The GC-RIs of testing set are predicted, and the correlation equation indicates that the model based on training set has excellent ability to predict the GC-RIs of PCDFs in testing set.     

基于双采样随机森林的临滑阶段的预测算法：以湖北黄石某治理地块为例

针对碎石土边坡监测过程中滑坡稳定变形期与临滑阶段监测数据量严重不匹配,导致临滑阶段数据量偏小,从而产生的非平衡数据集造成预判不准确的问题,提出一种基于DST随机森林的碎石土边坡临滑阶段地表位移的预测算法。首先,采用过采样和欠采样相结合的双采样技术(DST,DoubleSamplingTechnique)对地表位移中的非平衡数据集进行采集,然后,通过随机森林预测算法有放回的随机抽样进行预测,最后,通过实验得出预测结果。结果表明:DST随机森林预测算法相比于普通随机森林预测算法预测误差率降低到3.39%,证明双采样技术(DST)采集临滑阶段非平衡数据集的必要性。     

基于生成对抗单分类网络的异常声音检测

针对正常和异常声音可能具有较大的相似性, 有时无法利用自编码器重构误差大小区分的问题, 提出一种生成对抗单分类网络方法进行异常声音检测, 通过多次训练, 该方法学习正常样本的分布特征. 在测试过程中, 测试正常样本能以极小的误差进行重构, 而异常样本重构效果较差, 在某些频率段会发生畸变, 从而给出判别分类结果. 实验采用UrbanSound8K公开数据集和实测电机声音数据集进行了测试, 获得该方法的准确率分别为86.3%和98.1%, 比卷积自动编码器等主要深度学习方法分别提高了5.0%和3.0%.     

粗糙集和神经网络相融合的钻井安全评价模型

针对动态性、随机性和不确定性较强的钻井作业现场,开展了安全评价的研究。提出了一种基于粗糙集和BP神经网络对作业现场进行安全评价的方法。首先以粗糙集为基础来构建BP神经网络的前置系统,对采集到的样本数据进行属性约简。其次,根据约简结果以及作业当天的事故情况完成了BP神经网络输入层和输出层的设计,并根据输入层和输出层神经元的个数通过试凑法确定网络隐含层的神经元数量范围,并采用训练样本对不同神经元个数所对应的网络模型进行训练,选择网络误差最低的网络作为所构建的网络模型。最后,选取16 d的测试样本对网络进行验证,将网络的输出同作业现场的实际结果进行比较,有14 d的网络结果与实际结果相符,测试准确率达到了87.5%。     

基于深度卷积神经网络的脑电图异常检测

为解决EEG自动检测的错误率非常高的问题,提出了一种基于深层卷积神经网络(CNN)对脑电图进行异常检测的方法:首先,对多个异构数据源按标准进行重构和预处理,生成了有118 716个样本的训练集和有12 022个样本的测试集;然后,构建有快捷连接的深层CNN模型,以自动化学习ECG特征并进行分类识别; 接着,将模型在训练集上进行试验与调参,保存了性能最好的模型参数; 最后,在测试集上进行预测.预测结果显示该模型达到了94.33%的分类准确率.通过所提方法对脑电信号进行处理与分析,能够自动提取EEG特征并进行异常识别,从而达到快速检测与辅助诊疗的目的.     

基于深度学习与数据增强技术的小样本岩石分类

在油气勘探中,利用深度学习技术对岩石进行识别与分类能极大提高工作效率。岩石采样并制作样本图像费时费力,因此岩石样本通常较少。有鉴于此,基于深度学习技术设计一个新的神经网络模型MyNet,该模型能对小样本进行学习并完成岩石样本的分类。使用数据增强技术通过Python编程将314张岩石样本扩充成28 272张图像,为了充分利用现有数据,取其中的27 384张作为训练集,剩余888张作为测试集。将数据分别导入MyNet、ResNet50、Vgg16进行训练和测试。实验结果表明,加载、不加载预训练参数的ResNet50、Vgg16的岩石分类结果因受有无迁移学习影响会有所不同;MyNet的总体分类准确率为75.6%,均优于有无迁移学习的ResNet50、Vgg16,且MyNet、ResNet50、Vgg16所需训练的参数量分别为919 278、25 503 912、138 357 544,显然,MyNet模型的复杂度与训练代价明显低于其他对比模型,但性能最优,说明新模型应用于小样本的岩石分类可行有效且经济安全,更容易推广应用。     

工程机械液压泵和马达模型的非线性改进

对传统键合图模型部分元件进行了非线性化改进,并建立了参数优化算法来根据样本的效率实验数据确定模型参数.以一种马达产品样本对象为例,改进后模型得出的工况效率分布图与实验图线对比结果明显优于传统模型;与试验数据对比误差分析证明,传统模型误差比例均值为3.55%,方差为0.005 298;改进后模型误差比例均值为1.18%,方差为0.000 487 5;改进后模型更适用于工况复杂设备的建模描述.     

用量子化学参数预测烯烃聚合物介电常数

在B3LYP／6—31G（d）水平上对烯烃聚合物单体进行密度泛函理论计算,得到4个量子化学参数,即分子偶极矩（μ）,分子中最低未占分子轨道能级（ELOMO）,熵（S）及原子最负电荷q^-,并用来预测烯烃聚合物介电常数（ε）．误差反向传播的人工神经网络方法（BPANN）用来拟合介电常数与这4个参数可能存在的非线性关系．根据调整参数得到最佳网络模型结构为[4-1—1],模拟值与实验值非常接近,训练集与测试集的均方根（rms）误差分别为0．430和0．321。     

基于XGBoost的短时交通流预测模型

为提高路段短时交通流的预测精度,选取路段平均旅行时间作为预测指标,建立了一种基于极端样度上升(extrem gradient boosting,XGBoost)的短时交通流预测模型。首先通过对交通流数据的分析,在考虑交通流时空特性的基础上,分别构建目标路段时间序列训练集、测试集以及时空序列训练集、测试集,然后基于XGBoost模型以及构建的训练样本集建立时间序列预测模型以及时空序列预测模型,并利用训练好的模型进行预测,最后将模型预测结果与线性回归模型、神经网络模型预测结果进行比较。实验结果表明:基于XGBoost的短时交通流预测模型能够对路段未来时段平均旅行时间进行比较准确的预测,其中时间序列预测模型均方根误差为5. 32,时空序列预测模型均方根误差为4. 82,均低于线性回归模型和神经网络模型,且相比于仅考虑时间因素的短时交通流预测模型,同时考虑时空因素的预测模型得到的误差更低,预测效果更好。