基于混核极限学习机的道路高排放源识别方法

由于道路高排放源所产生的污染气体对环境危害巨大,因此实现对高排放源的准确识别具有重要意义。而传统的基于限值划分的识别方法及新兴的人工智能识别方法在模型选择、评价指标、识别性能等方面都存在一定的改进空间,因此针对以上问题,提出一种基于混核极限学习机的道路高排放源识别方法。该方法使用道路遥感监测设备获取的移动源遥测数据,在核极限学习机的基础上融合不同核函数,可提升模型鲁棒性及道路高排放源识别性能。针对合肥市蜀山区真实道路遥测数据上的分析结果表明,该方法相比于其他方法具有较高的F1分数以及较低的漏报率、虚警率,证实了该方法在高排放源识别中的有效性。因此,该方法有助于对交通路网中高排放车辆进行高效识别,为进一步提升城市空气质量提供支撑。

基于特征采样引导和集成RFELM的道路高排放源识别模型

机动车排放的污染气体会对环境造成严重危害,其中尾气排放超标的车辆是主要污染来源,因此实现对道路高排放源的有效识别具有重要意义。针对尾气遥测数据,提出一种基于特征采样引导和集成随机傅里叶特征极限学习机(RFELM)的道路高排放源识别模型。首先对遥测数据进行多次随机采样,构建多组训练子集;然后对每组训练子集进行多次特征采样,并训练对应的子分类器,根据组内最优子分类器的输入特征更新特征采样的概率与特征权重;最后对所有子分类器的验证分数进行排序,筛选出一定比例的RFELM组成分类器集合,采用加权投票法预测数据的标签。实验结果表明,相比于RFELM和随机森林等算法,所提模型在真实的道路遥测数据上具有更好的识别效果,还有着更强的抗噪能力。

中小型水利工程施工质量控制及评价方法研究

目前我国中小型水利工程质量控制方面存在很多问题,如尚未建立完善的管理体系,缺乏科学的评价方法等,这些问题的存在对中小型水利工程建设形成了极为不利的影响作用。本文主要从水利工程施工质量控制的概念出发,提出存在与施工质量及评价方法中的问题,并探索出有效的对策,为中小型河流治理工作顺利进行提供充分的保障。