基于随机森林回归的砂体渗透系数预测

在地浸砂岩型铀矿勘查过程中,砂体渗透系数是一项重要的水文地质参数,也是评价地浸开采有效性的重要指标,而砂体渗透系数预测及其空间分布特征是铀矿勘查最为困难的问题之一。机器学习算法具有操作简单及泛化能力强的特点,在各领域得到了广泛应用,将机器学习算法引入到铀矿地质勘查中能够快速有效地解决测井数据与砂体渗透系数之间复杂的非线性问题。文章采用随机森林回归算法预测洪海沟铀矿床砂体渗透系数,并将其与非线性回归、支持向量机回归预测结果进行对比评价,结果表明,随机森林回归算法具有拟合优度高、操作简单的特点。该方法预测出的砂体渗透系数空间展布方向与地下水渗流方向一致,并密切影响层间氧化带及铀矿化的发育,具有一定的推广意义和经济价值。

基于机器学习的铀储层渗透系数预测

在地浸砂岩型铀矿勘查过程中,铀储层渗透系数既是影响地下水渗流方向和溶质运移的重要因素,也是评价地浸开采有效性的重要指标,而铀储层渗透系数预测及其空间分布特征是铀矿勘查最为困难的问题之(刘富强,2002)。机器学习算法在各领域得到了广泛应用,将机器学习算法引入到铀矿地质勘查中能够快速有效地解决测井数据与铀储层渗透系数之间复杂的非线性问题。

含Cu^(2+)电解质溶液活度系数预测

采用电解质分子相互作用体积模型eMIVM(Electrolyte Molecular Interaction Volume Model)与它的能量项eMIVM-ET(Energy term of eMIVM)分别对含Cu^(2+)的20个单电解质溶液的活度系数进行拟合,并对含Cu^(2+)的5个两电解质溶液的所有组分活度系数进行预测。结果表明:两个模型对含Cu^(2+)单电解质溶液活度系数的拟合效果均较好,eMIVM模型预测的拟合平均偏差和平均相对误差分别为0.0598和6.4%,eMIVM-ET模型预测的分别为0.0163和3.0%;对含Cu^(2+)的两电解质溶液的所有组分活度系数预测时,eMIVM-ET模型的预测效果要比eMIVM模型的好,eMIVM-ET模型预测时的平均偏差和平均相对误差分别为0.0844和18.2%;在含Cu^(2+)电解质溶液的热力学计算中,与eMIVM模型相比,eMIVM-ET模型更适合作为一个可供选择的预测模型。

基于多传感器数据融合的道岔区脱轨系数预测算法

针对目前车辆脱轨多发生在道岔区段,且现有脱轨评判方式考虑因素单一,不能全面评判轮轨接触安全性的问题,提出一种基于多传感器数据融合的道岔区脱轨系数预测算法。通过T-snake模型对车载摄像机获取的9号道岔区轮轨接触图像进行图像分割得到轮轨相对横向位移量;选用遗传算法优化的小波神经网络构建融合模型,输入相对位移量,速度量,加速度量以及轮重减载率进行数据融合预测脱轨系数。现场测试结果显示,利用该方法的预测脱轨系数模型考虑因素较为全面,且具有良好的精确性和鲁棒性。

隔热材料导热系数预测及其在发动机排气管隔热中的应用

由于排气管隔热在特种车辆中的重要性,在对排气管隔热方案分析的基础上,采用大型通用CFD软件STAR-CD,模拟氧化锆空心球隔热材料的导热系数,并对排气管真实的流固耦合模型进行大量的数值模拟试验。数值模拟可以分析隔热结构中隔热材料厚度、表面发射率、隔热方式等因素对排气管隔热效果的影响;通过隔热材料与真空层的匹配,得到既满足紧凑性要求,又能高效隔热的排气管隔热方案。

基于MABC-SVR的边坡安全系数预测模型

为避免原始人工蜂群算法(原始ABC算法)搜索时陷入局部最优解,提出一种改进的人工蜂群算法(MABC算法),该方法先将原始蜜源的适应度进行排序,找出适应度最高的蜜源,再在其周围搜索更优解,并采用MABC算法对支持向量回归(SVR)模型参数进行优化,实现对边坡安全系数的回归分析与预测。通过对两种算法进行函数测试,结果表明:MABC算法较原始ABC算法收敛速度快、全局性好。选取实例边坡数据构造训练集和测试集,采用MABC-SVR方法基于建立的边坡安全系数预测模型进行预测,结果表明:均方根误差为0.004 6,最大相对误差为7.62%,回归系数为0.967 2。可见,建立的边坡安全系数预测模型准确度较高,可推广使用。

基于混合模型的煤矸石透水混凝土透水系数预测

为了提高煤矸石透水混凝土的透水系数预测精度,本工作提出了一种基于集成学习的混合模型预测方法。该模型综合了BP(Back propagation)神经网络、XGBoost模型和支持向量机(Support vector machines,SVM)模型三种方法,解决了使用单一的预测模型进行预测时产生的局部最优、欠拟合、过拟合、依赖数据集泛化能力差等问题,进一步提高了预测的准确度。不同类别数据集的测试结果表明,该模型可以有效降低单一模型产生的训练误差,提高模型的鲁棒性,具有较高的应用价值。

整系数预测技术在无损音频压缩中的应用

通过对AudioPak音频编码器的分析研究,本文提出了一种改进型的整系数预测技术,AudioPak只是改进型预测算法的特例.改进型整系数预测算法在频响性能上弥补了AudioPak的不足,减少了预测误差的动态范围;在预测误差均值、频谱分布、帧方差等指标方面都有不同程度的提高,从而明确了改进型预测算法的优势.

摩擦轮提升机主绳长度确定及安全系数预测

介绍摩擦轮提升机主绳长度各参数确定的经验公式及安全系数预测经验公式

改进LSTM的脱轨系数预测方法

研究基于长短时记忆神经网络模型的优化方法及其在脱轨系数预测中的应用,通过SIMPACK建立列车—轨道仿真场景得到网络训练所需数据集,构建基于长短时记忆神经网络的脱轨系数预测模型,借助动态学习率和Dropout方法针对学习率及网络结构进行优化,并使用优化后的长短时记忆神经网络对脱轨系数进行预测。脱轨系数预测结果表明,经过优化的长短时记忆神经网络预测模型在测试集上的预测误差相较优化前的模型减小23.9%,动态学习率和Dropout方法能高效地优化预测模型,可使模型较准确地预测出脱轨系数变化趋势,可为进一步研究提供支持。

潜没式高趾墙稳定抗力作用比系数预测的多元非线性回归模型

潜没式高趾墙广泛应用于高面板堆石坝工程,其稳定性至关重要。目前潜没式高趾墙稳定抗力作用比系数的计算方法较为复杂,在工程设计中存在一定局限性。因此,综合考虑高趾墙高度、顶宽、上游坡比、下游坡比4个因素对高趾墙稳定抗力作用比系数的影响,通过大量的有限元计算,分析得出高趾墙的稳定抗力作用比系数与其顶宽和上、下游坡比呈线性关系,与其高度呈非线性关系。基于此规律提出了面板堆石坝运行期高趾墙稳定抗力作用比系数计算的多元非线性回归模型,可以快速计算运行期高趾墙稳定抗力作用比系数,并且有较高的计算精度,为初设阶段高趾墙设计参数的拟定提供简捷算法,加快设计进度。

装配式混凝土T梁桥荷载横向分布系数预测

荷载横向分布系数是桥梁横向传力性能的重要指标,传统计算方法多采用单一变量的简化数学公式,基于此提出了一种基于可解释性机器学习的荷载横向分布系数预测方法。首先建立了基于有限元模拟的荷载横向分布系数计算方法,分析了跨径、宽跨比、单板宽/板间距、悬臂长、悬臂惯性矩、主梁抗弯惯性矩和抗扭惯性矩7维输入参数影响;然后采用支持向量机器学习方法对装配式混凝土T梁桥荷载横向分布系数进行预测,利用遗传算法对支持向量机超参数进行优化;最后,采用Shapley加性解释器分析了多维参数对预测结果的敏感性。结果表明,所提改进支持向量机模型能够实现装配式混凝土T梁桥荷载横向分布系数预测,且具有较高的预测精度。跨径和宽跨比参数对双车道和三车道荷载横向分布系数预测最为重要。

基于LSTM的超临界机翼抖振边界预测方法

超临界机翼的抖振对运输机的安全性和稳定性有着极大的影响,如何高效准确地确定抖振边界一直是备受关注的研究热点。针对CHN-T1型运输机标模,构建了一种基于长短时记忆(long short-term memory, LSTM)神经网络的超临界机翼抖振边界预测框架。根据CHN-T1标模的计算数据,设计了基于LSTM的气动力系数预测模型和抖振起始迎角判定模型,用于准确预测给定马赫数下气动力系数的变化趋势,并且实现了抖振起始迎角的快速判定;通过整合抖振起始迎角数据确定了CHN-T1标模的抖振边界,并用风洞试验数据验证了结果的准确性。研究结果显示,LSTM模型对气动力系数变化趋势有良好的预测能力,其均方根误差维持在2%以内;同时,在抖振起始迎角的判定方面表现出色,抖振边界的误差保持在2%以内。这些结果验证了该方法在抖振边界预测中的可靠性和准确性,为超临界机翼的抖振研究提供了有力支持。

隔热材料导热系数的数值模拟预测

对氧化锆空心球隔热材料进行合理的简化,用数值模拟方法计算氧化锆空心球隔热材料导热系数,并分析空心球半径、温度、发射率等对导热系数的影响。数值模拟结果表明,减小空心球半径,降低空心球表面发射率,抽真空等都有助于降低隔热材料导热系数。数值模拟与实验测量结果良好吻合,用数值模拟计算隔热材料导热系数是一个行之有效的方法。

图像的小波系数神经网络预测编码

提出一种图像的小波系数预测编码方法二在该方法中，原始图像被分解为一个小尺寸的低频图像和一系列不同方向的多分辨率细节子带图像（小波系数图像），由于不同分辨率的小波系数图像具有相似性，故可用低分辨率小波系数来预测同一方向相邻较高分辨率的小波系数．采用Ｂ—Ｐ神经网络作为非线性预测器有效地实现了这种预测，结果表明，利用这种编码算法可获得高图像压缩比．

应用支持向量回归估计预测陀螺误差系数

针对目前小样本容量陀螺误差系数预测精度不高的问题,本文将支持向量回归估计引入到陀螺误差系数的预测研究中。通过对某型陀螺某项误差系数的预测,并且对比分析该方法与目前通用的AR模型预测方法的预测效果,结果表明本文采用的支持向量回归估计具有更高的预测精度。

基于SVM的矿井通风阻力系数影响因素分析与预测

矿井通风阻力系数是通风安全最重要的基础参数之一,为了实现矿井通风阻力系数简单准确地预测,提出了利用支持向量机(SVM)来预测矿井通风阻力系数的方法。通过分析影响因子与矿井通风阻力系数的相关性关系,并利用MATLAB逐步建立单影响因素与矿井通风阻力系数、多影响因素与矿井通风阻力系数之间的SVM预测模型,对比分析各预测模型的相对误差,确定最佳矿井通风阻力系数预测模型,即当输入模型影响因素为巷道断面积、周长和支护方式时,预测相对误差小于10%的样本数占测试样本的76%,相对误差小于20%的样本数占测试样本的90%。结果表明:该预测方法在矿井通风阻力系数预测中是可行的,并具较高的准确性。

基于预测神经元模型的语音线性预测系数求解新方法

采用预测神经元作为语音信号线性预测模型的一种实现形式 ,可将线性预测系数的求解问题转化为预测神经元的训练问题 ,并运用 BP算法得到了神经元权值 (即线性预测系数 )的递推计算公式 .考虑到语音信号能量的不确定性 ,提出了运用相对预测误差能量作为收敛判断的参数 ,并按清音和浊音两种情况讨论了收敛判据 .由于利用预测神经元的迭代训练算法 ,理论上可以最大限度地挖掘语音样本中的相关性 ,因而可得到非常精确的线性预测系数 .计算结果表明 ,运用预测神经元方法所得到的线性预测系数 。

用于噪声鲁棒性语音识别的子带能量规整感知线性预测系数

为了提高感知线性预测系数(PLP)在噪声环境下的识别性能,使用子带能量偏差减的方法,提出了一种基于子带能量规整的感知线性预测系数(SPNPLP)。PLP有效地集中了语音中的有用信息,在安静环境下自动语音识别系统使用PLP可以取得良好的识别率;但是在噪声环境中其识别性能急剧下降。通过使用能量偏差减的方法对PLP的子带能量进行规整,抑制背景噪声激励,提出了SPNPLP,增强自动语音识别系统在噪声环境下的鲁棒性。在一个语法大小为501的孤立词识别任务和一个大词表连续语音识别任务上做了测试,SPNPLP在这两个任务上,与PLP相比,汉字识别精度分别绝对提升了11.26%和9.2%。实验结果表明SPNPLP比PLP具有更好的噪声鲁棒性。

边坡安全系数的RBF神经网络预测

RBF神经网络方法以其训练速率快,避免局部极小,拟合精确度好,预测准确度较高等优点,在边坡稳定性预测中得到了广泛应用。根据RBF神经网络的基本结构与理论,引入高斯函数作为隐含层的核函数,将114组低维的边坡实例数据归一化,并转换到高维空间,应用最近邻聚类法逐个添加神经元以达到允许误差精度,最终用训练过的RBF神经网络预测另外8个边坡实例的安全系数,均得到了较为满意的结果,体现出了RBF神经网络在边坡安全系数预测中的应用价值。