基于多层全连接神经网络的6C地震波极化向量识别研究

利用机器学习原理,提出一种基于多层全连接(multi-layer fully connected, MFC)神经网络的六分量(six-component, 6C)地震波极化向量识别方法。首先利用6C地震波各波型极化向量数学模型和一系列仿真参数得到5种波型和噪声波型各5 000个极化向量数据集,然后随机选取其中5 000个作为测试集,其余划分为训练集,进行MFC神经网络与支持向量机(support vector machine, SVM)的综合辨识性能对比实验。结果表明,MFC神经网络模型识别5种极化向量类型(SH波和Love波视为一类)和6种极化向量类型的效果均显著优于SVM模型,平均识别率分别达到99.786%和87.940%。

三维荧光光谱融合小波包分解融合Fisher判别分析及支持向量机识别紫苏

为实现紫苏品种的快速鉴别,避免以次充好,选取4个品种的紫苏采集三维荧光数据,提出了一种基于小波包分解融合Fisher判别分析(Fisher discriminant analysis,FDA)的荧光数据特征选择策略,并实施了4种紫苏的有效鉴别。首先,对三维荧光数据进行预处理,采用Delaunay三角形内插值法去除瑞利散射和拉曼散射,以消除它们的不利影响;运用Savitzky-Golar卷积平滑对数据进行平滑处理,以减少噪声的干扰。同时,对三维荧光数据进行初步筛选,去除了荧光强度小于0.01的发射波长。然后,对各激发波长对应的发射光谱进行3层sym4小波包分解,计算得到最低频段的小波包能量值,作为各激发波长光谱数据表征量。接着,再利用FDA对小波包能量进行判别分析,将其所包含的差异性信息进行融合,得到FDA生成的新变量,并选取累计判别能力达到99%的前3个FD变量作为不同品种差异性信息的表征变量,提出三维荧光数据的表征策略。最后,利用BP神经网络(backpropagation neural network,BPNN)和支持向量机(support vector machine,SVM)两种模式识别算法对表征变量进行分析,得到FDA+BPNN和FDA+SVM两种鉴别结果。FDA+BPNN的训练集正确率为97.5%,测试集正确率为95%;FDA+SVM的训练集和测试集的正确率均达到98.33%。结果表明,三维荧光光谱技术结合小波包分解、FDA和SVM算法基本上能够实现紫苏品种的鉴别。这为后续有关紫苏的进一步检测研究(如某些有效成分的定量检测)提供了研究基础。

基于多层支持向量机的蓄电池在线监测方法研究

常规的蓄电池在线监测节点一般采用独立或区域布设形式,监测的范围受限制,导致在线监测频率均值下降,因此探讨了基于多层支持向量机的蓄电池在线监测方法。根据当前测定,先进行蓄电池电动势及开路电压应用数值采集,采用自适应的方式,打破监测范围的限制,部署自适应在线监测节点;然后构建多层支持向量机的蓄电池在线监测模型,采用持续跟踪预警处理强化在线监测。针对选定的4个蓄电池,按照顺序分别植入0.8 mm、1.2 mm及2.1 mm的4个型号的电阻丝,形成不同的电阻率。经测定计算最终得出在线监测频率均值均可达到150 Hz以上,说明设计的蓄电池在线监测方法更加稳定、安全,在不同环境下的整体适应度更强,监测效率得到了显著提升。

基于向量式有限元的网壳结构地震易损性分析

为解决网壳结构地震易损性研究中,增量动力分析(incremental dynamic analysis,IDA)所面临的结构非线性分析耗时长且求解困难的问题,提出了一种基于向量式有限元的IDA方法。首先,以一个Kiewitt-8型单层球面网壳为例,验证了向量式有限元方法求解结构地震响应的准确性,其次选取12个不同参数的Kiewitt-8型单层球面网壳为研究对象,并考虑材料不确定性进行IDA分析,以地震峰值加速度与结构最大节点位移比为参数,绘制了结构在地震作用下的IDA曲线和轻微破坏、严重破坏及倒塌这三种性态下的易损性曲线。结果表明:向量式有限元能高效且准确的求解网壳结构的地震响应,屋面质量和矢跨比的增加均会增加三种性态点的超越概率;对于本文的网壳结构算例,求解时间仅为传统有限元方法的1/15,误差在3%以内,屋面质量和矢跨比的改变导致地震危险性最大增加了75%。

融合ResNet与支持向量机的葡萄园冠层图像叶片覆盖度分类

在视觉感知的基础上,实现作物智能喷洒作业管理是智慧农业重要的组成部分。针对葡萄园智能喷洒作业的需要,本研究构建了一种融合残差网络(ResNet)和支持向量机模型的葡萄园冠层图像叶片覆盖度分类方法。在对葡萄园冠层图像数据集进行数据增强的基础上,利用不同卷积层数的ResNet模型(ResNet-18、ResNet-34和ResNet-50)提取图像特征向量,结合近邻成分分析(NCA)算法及不同分类模型(Cubic SVM、RBF SVM、Linear SVM、DT、BT、Bayes、KNN、RF),筛选出最优葡萄园冠层图像叶片覆盖度分类方法。结果表明:残差网络模型卷积层数的增加,有利于提高模型的分类精度;葡萄园冠层图像叶片覆盖度适宜的分类方法是利用ResNet-18、ResNet-34和ResNet-50各提取1000个特征向量,进一步利用NCA算法筛选出1000个权重值较大的特征向量,并利用Cubic SVM模型进行分类。该方法较好实现了模型训练时间和分类精度的平衡,既能大幅减少冗余的特征向量,缩短训练时间,还可以保证模型的分类精度。该方法下模型的分类准确率、精确率、召回率分别达98.32%、97.41%、98.73%。本研究建立的葡萄园冠层图像叶片覆盖度分类方法为智慧化的果园管理提供了有效的技术支持。

基于数字图像的大田哈密瓜不同时期冠层相对叶绿素含量检测研究

为探究快速无损获取大田哈密瓜完整冠层相对叶绿素含量的可行性,首先,利用自制的图像采集小车搭载面阵相机,获取不同水肥处理下大田哈密瓜伸蔓期、开花期、膨果期的378张完整冠层图像;然后,对图像进行处理后,提取32种颜色特征和6种纹理特征,分析图像特征与冠层相对叶绿素含量的相关性;接着,对图像特征进行预处理后,选取相应的主成分作为模型输入,分别建立用于预测不同时期冠层相对叶绿素含量的多元线性回归(MLR)、支持向量机回归(SVR)、随机森林(RF)模型。对比建模效果发现,SVR模型的效果最好,在伸蔓期、开花期、膨果期,该模型预测值与实测值回归的决定系数分别为0.73、0.73、0.83,均方根误差分别为0.90、0.91、0.76。研究表明,利用数字图像技术能实现对大田哈密瓜不同时期冠层相对叶绿素含量的快速无损检测,可为大田哈密瓜田间管理提供技术参考。

Fisher正则化的最小二乘孪生支持向量机

最小二乘孪生支持向量机是一种有效的模式分类算法,然而每一个训练样本都对最终的决策平面有影响。如果训练集含有噪声或异常点,其会过度关注这些点,这可能导致最小二乘孪生支持向量机的判别能力较差。为了解决这个问题,受Fisher准则思想的启发,本文引入了双Fisher正则化项,并在此基础上提出了Fisher正则化的最小二乘孪生支持向量机。同时,在人工数据集和UCI数据集上验证了所提算法的有效性。

混合属性网络多维多层关联数据智能挖掘算法

针对传统关联数据挖掘算法,强项集挖掘后产生大量候选项集,导致挖掘耗时长、挖掘精度低等问题,提出一种混合属性网络多维多层关联数据智能挖掘算法(Multidimensional Multilayer Associative Data Intelligent Mining Algorithm,MMAD-IM)。计算混合属性网络中随机数据到簇中心的距离,将目标数据分配到距离簇中心最近的簇中,使簇中心固定,完成混合属性网络数据的聚类分析。从聚类完成的数据中提取出有效的基本频繁向量,同时计算数据的候选项集,对哈希表进行扫描,利用改进Apriori算法完成强项集挖掘。以此为基础构建空间关系,获取近似区域与近似点之间的距离,形成待挖掘数据并计算数据的隶属度数值,完成智能挖掘。实验结果表明,所提算法具有较好的数据聚类效果,强项集挖掘后剩余的候选项集数量较少,整体数据挖掘耗时远低于传统算法,挖掘精度高达90%。

基于测录井资料多元统计分析识别浅层气——以渤海P油田为例

综合运用测录井统计资料,探讨浅层气的定量识别方法。建立基于Fisher判别和二元Logistics回归的分类判别模型,用于判别未知样本的流体性质;优选多条与储层含气密切相关的测录井曲线,重构浅层气优势判别曲线。基于以上2种判别分类曲线,建立浅层气判别图版,形成浅层气判别方法。该方法用于渤海P油田浅层气现场随钻,浅层气判别成功率大于80%,其有效性和针对性得以验证。

基于Fisher分和支持向量机的特征选择算法

网络入侵数据集中存在的大量冗余和噪声特征严重影响检测系统的性能。针对该问题,提出一种基于Fisher分和支持向量机的入侵特征选择算法。通过对各维特征的Fisher分值排序,结合支持向量机分类算法,建立特征分类模型,筛选出具有最高检测率与误码率比值的最优特征组合。仿真结果表明,该算法筛选出的特征组合具有较高的检测率和较低的误码率,有效降低了检测系统的建模时间和测试时间,提高了系统性能。

用Fisher判别法和支持向量机预测地下矿山矿柱稳定性(英文)

利用Fisher判别分析(FDA)和支持向量机(SVMs)等来识别地下矿山矿柱稳定性,从多种煤矿和石材矿山中提取一些指标和力学参数作为识别因子,包括矿柱宽度、高度、矿柱的高宽比、岩石单轴抗压强度和矿柱应力。包括取样、训练、建模和评估4个主要步骤。在建模阶段,基于统计学习理论,建立两类矿柱稳定性预测的FDA和SVMs模型,以40组世界不同矿山的实测数据进行模型的训练和测试,并将其模型应用于其他6组待测样本来验证建立模型的有效性,将SVMs模型预测结果与FDA模型及实际情况进行对比,采用指标回代估计法和交叉验证法来考察模型的识别能力。研究表明,SVMs和FDA模型都能较好地预测矿柱的稳定性,但SVMs的优势更明显,有望成为一种可靠、实用的地下矿山矿柱稳定性的评价工具。

一种用于测井油气层综合识别的支持向量机方法

提出了使用支持向量机分类技术在复杂储层中由常规测井、气测录井信息综合识别油气层类型的方法、步骤,重点阐述了输入特征选择、学习算法参数设置和在新疆油气田实际应用效果,并与人工神经网络、神经-模糊、最近邻分类器等3种机器学习模型识别检验结果进行了对比,检验结果表明由支持向量机所建立的油气水识别模型获得了最高的识别检验性能,其次是IncNN、FSM,而kNN相对最低,展示了支持向量机方法在复杂油气藏油气层类型识别应用中的高效性。

基于主成分分析的Fisher判别法在L地区水淹层识别中的应用

经过多年的注水和聚合物驱开发,L油田水淹层测井响应变化异常。利用常规的交会图方法无法将该区的水淹层有效地区分开来,而直接的Fisher判别法也存在变量间重叠信息量大,分类识别精度不高的缺点。对此,笔者提出采用基于主成分分析的Fisher判别法,对水淹层进行了分类识别,正确识别率达到了87.95%,应用效果较好。

基于支持向量机的淮南市浅层地下水水质评价

文章依据决策二叉树多分类的思想,构建了基于支持向量机的水环境质量评价模型。然后以淮南市75个水质监测点数据为例进行评价分析,并与模糊综合评判法进行了比较,结果基本一致。该模型所需要样本数量少、建模方便、通用性强,具有很好的实用价值。

基于多层感知器的深度核映射支持向量机

为改善支持向量机的性能,从深度学习的角度研究核学习的方法,提出了基于多层感知器的深度核映射支持向量机模型(deep kernel mapping support vector machine,DKMSVM)以及相应的学习算法.该模型首先通过多层感知器学习一个从原始输入空间到合适维度空间的核映射代替传统意义上的核函数,然后直接在合适维度空间使用支持向量机进行分类,而不是采用核技巧进行求解.实验结果验证了DKMSVM的有效性.

支持向量机在水淹层测井识别中的应用

支持向量机(SVM)算法是特别适合于用有限已知样本训练建模,进而预报未知样本属性的模式识别新算法。笔者尝试将Vapnik提出的支持向量机算法用于水淹层测井识别。总结了P油田水淹层的声波时差、自然电位、深感应电阻率、中感应电阻率及密度测井曲线与水淹程度的对应关系,建立了基于支持向量分类机的识别模型,并将上述参数作为训练样本的输入,油气特征作为训练样本的输出,对支持向量机进行训练。对于P油田水淹层的实际预测结果表明:支持向量机可以成为一种用于水淹层识别的有效工具。

基于N层向量空间模型的信息检索算法

N层向量空间模型是在传统向量空间模型的基础上提出的一种新的信息检索算法模型 ,这种模型将一篇文档从逻辑上划分为 N个相对独立的文本段 ,然后按照文本段的内容建立文本特征向量以及文本权值向量 .在此模型的基础上 ,更为精确地定义了特征值向量和相似度的计算方法 ,使之能比较好地适应文档集合的动态扩充 .理论分析和实验结果表明 。

薄差水淹层Fisher判别分析方法

油田进入高含水开发阶段,油层的物理性质发生了很大变化,其中薄差水淹层测井响应特征与中、高孔渗透率储层或厚油层存在明显差异,水淹层解释精度一直不能满足油田开发需要。从薄差层测井响应特征及其形成机制入手,分析其主要影响因素,提取有效特征参数。通过地层压力参数分析,明确了薄差层常出现地层压力异常增大现象及对水淹状态的平面区域控制作用,以压力特征参数对储层进行分类处理,从而提高了解释符合率。选择较为适当的Fisher判别方法建立水淹层判别模型,使薄差层测井解释符合率达到80%,较现用方法提高了10%。研究成果对老油田开发及解释技术研究都具有重要意义。

基于特征空间中类间可分性的层次型多类支撑向量机

针对支撑向量机的特点提出了一种特征空间中的类间可分性度量 ,并基于该度量通过聚类算法构造了二叉树和单层聚类两种层次型多类支撑向量机。通过多光谱遥感影像的分类实验证明了该可分性度量的有效性。

基于向量小波变换及Fisher算法的红外弱小目标检测

提出了一种新的红外图像弱小目标检测方法 ;即利用向量小波的优良性质 ,采用恰当的预滤波器对图像进行预处理 ;而后对经向量小波变换得到的高频图像利用Fisher算法进行分割 ,最终将目标从背景中分离出来。通过理论分析和大量实验 ,表明了算法是有效的 ,并证明该算法能够快速稳定的检测出信噪比小于等于