基于声振特征区分的SMA优化SVM变压器机械松动识别方法

基于梅尔频率倒谱系数(MFCC)提取的声振特征无法清晰描述变压器信号本身能量分布,应用于变压器机械松动识别时存在准确率不高的局限性,因此提出一种优先进行声振特征区分的变压器故障识别方法。首先依据XGBoost贡献指标化结合粗糙集分析区分MFCC特征显隐性:显性特征对状态识别贡献更高;其次,建立以Focal损失为目标的SMA优化模型,并按显隐性为SVM输入设置权重范围;最后,利用优化后的SVM对变压器实测样本进行训练分析。结果表明,该识别方法平均准确率达98.83%,较仅参数优化SVM的识别准确率提高2.48%,且变异波动小。相比PSO、WOA和GOA算法,SMA算法在特征全局优化和损失收敛性上更突出。此外,该方法还具有一定鲁棒性,引入5%干扰样本后准确率下降在0.3%以内,从而在变压器实际运行环境中具有抗干扰价值。

树形模型在青少年体质测试数据分析中的应用研究

通过对比决策树、随机森林和优化的分布式梯度增强库(XGBoost)三种树形模型的预测效果,选取预测效果最好的算法,以济南市13~18岁青少年体质健康数据为依据,评估青少年体质影响因素的重要性。结果表明:在13~18岁男生体质健康数据中,三种树形模型的表现效果由好到差依次为:XGBoost>随机森林>决策树,而在女生体质健康数据中,效果排序为XGBoost>决策树>随机森林。通过XGBoost的分析,发现1000 m跑和800 m跑对13~18岁青少年的体质测试成绩影响作用最大。XGBoost在三种树形模型中分类表现效果最好,展示了较高的准确性和科学性,在今后体育数据处理和热点问题研究中有较高的应用潜力和研究价值。在今后体育教学中,应加强青少年有氧能力的训练,并结合男、女生的体质特点,在日常教学中有侧重地进行练习,为青少年健康及全面发展奠定基础。

基于机器学习的盾构开挖面地质类型智能识别研究

盾构法被广泛应用于地铁隧道项目中,但是复杂的地质环境会让盾构施工发生卡机,刀盘磨损,超欠挖、地面塌陷等问题。因此,准确、及时地感知地质条件变化至关重要。目前我国大多通过钻孔手段进行地质勘察,而先进的地质预测方法也不能满足盾构快速掘进的要求。因此,提出了一种识别盾构开挖面地质类型的机器学习模型。该模型将遗传算法(GA)与分布式梯度增强库(XGBoost)相结合,通过GA来确定XBGoost模型的最优超参数。同时,依托福州滨海快线三标段项目盾构与地质数据,对模型进行验证,并与其他3种经典机器学习模型LightGBM、Random Forest、SVR进行对比,以进一步验证模型的鲁棒性。结果表明,GA-XGBoost模型精度具有明显优势,通过GA来搜寻模型超参数也可提升模型准确率。