GASA-SVM改进算法及其在柴油机供油系统故障诊断中的应用

针对目前支持向量机(SVM)参数选择的盲目性,结合遗传算法GA的并行搜索和模拟退火算法SA的概率突跳特性,提出一种改进的基于遗传退火算法(GASA)混合策略优化支持向量机惩罚函数和核函数参数的GASA-SVM算法。利用柴油机供油系统油压波形的实测数据,归一化处理后作为诊断模型的特征值,建立了基于GASA-SVM的柴油机供油系统故障诊断模型。通过与BP神经网络、RBF神经网络、SVM和GA-SVM故障诊断模型比较表明:应用GASA-SVM建立的故障诊断模型在故障识别准确性上优于其它网络模型,能够有效进行柴油机供油系统的故障诊断。     

基于机器视觉的机器人写字技术的设计

针对教学与实验,提出一种基于机器视觉的机器人写字方法。以六自由度DENSOVP6242G机器人、信捷机器视觉和PC机为实验平台,通过机器视觉获取字符的图像信息,采用VC++编程,利用机器视觉自定义协议将图像传输给PC机;借助OpenCV库对图像进行阈值化、闭运算、细化和笔画分割等一系列的处理;利用图像处理得到字符坐标信息控制机器人的多轴联动,机器人控制器与PC机之间通过ORiN2连接,从而完成字符的书写。实验表明,在字迹清晰条件下该方法能够使机器人准确地写出机器视觉所看到的字符。     

基于3种机器学习模型的岩爆类型预测

岩爆类型预测是防治和控制硬岩矿山岩爆灾害的有效方式。基于国内外397组岩爆案例数据，规范训练集与测试集的数据预处理方式，采用模型参数优化及交叉验证技术获得最近邻、支持向量机与决策树模型最佳参数；对比分析主成分分析法（PCA）与过采样SMOTE对3种机器学习算法预测准确率的影响，并采用准确率、精确率、召回率、F1等指标对模型预测性能进行评估。结果表明：主成分分析对3种机器学习模型的预测准确率并无提升，不同岩爆类型的样本之间不具有较为明显的决策边界；过采样SMOTE算法仅对决策树模型有明显的提升，基于过采样建立的SMOTE-DT模型预测准确率为77.50%，高于仅对原始数据集进行标准化处理的KNN、SVM模型的68.75%与57.50%；SMOTE-DT在高估与低估岩爆类型表现优于KNN与SVM模型，对于四种岩爆类型的F1值均大于0.7，岩爆预测性能稳定可靠。此外，采用本文构建的3种机器学习模型对山西紫金金矿进行了岩爆类型预测，模型预测结果与现场观测结果相一致。本文构建的三种用于岩爆类型预测的机器学习模型避免了训练集信息泄露对测试集造成影响，研究结果为岩爆类型预测及规范机器学习模型训练过程提供了理论支撑。     

基于音频的罪犯自杀危险性评估

现较为主流的罪犯自我伤害风险评估主要通过量表实现，但存在耗时长、虚报率高的问题，缺乏客观有效的识别方法.音频数据不受个体语言限制，有采集方便、信息丰富等特征，目前基于音频数据构建的自我伤害风险识别模型取得了不错的效果.通过访谈获取罪犯音频数据，对音频进行预处理后提取音频关键特征，采用4种机器学习算法构建分类模型.实验结果表明，罪犯音频能有效区分罪犯是否具有自我伤害、自杀倾向，平均F1分数为86.88%.     

面向呼吸腰带数据的病症正常异常分类

人体的呼吸信号包含了很多指示呼吸健康的信息，虽然有多种测量呼吸的仪器和手段，但是呼吸腰带仍然是经济、没有辐射伤害、能长时程日常佩戴的呼吸数据获取手段。然而，目前呼吸腰带数据的分析方法还不成熟，为了明确哪些呼吸数据特征可以对病理进行有效分类，本研究分别使用长短期记忆网络(Long Short-Term Memory,LSTM)、吸呼比结合LSTM、吸呼比结合支持向量机(Support Vector Machine,SVM)3种方法，对287个正常呼吸和55个异常呼吸的24 h观测数据进行病理类别分类准确度对比实验。结果表明，吸呼比特征结合LSTM法具有更高的分类准确度。