基于机器学习的芒果缺陷度腐烂度预测模型

针对芒果内部腐烂程度难以预测的问题,提出一种在MATLAB中利用机器学习建立芒果缺陷度腐烂度预测模型的方法。首先,采集芒果缺陷图像,并进行滤波去噪平滑噪声。然后,利用迭代阈值分割和形态学运算,提取芒果果皮、果肉、表面缺陷和果肉腐烂图像。最后,提取芒果表面特征,并定义果皮缺陷度及果肉腐烂度,运用BP神经网络进行数据拟合,建立缺陷度腐烂度预测模型。实验结果表明本文建立的预测模型对芒果腐烂度的预测平均准确率达到88.3%。

低复杂度永磁同步电机三矢量固定开关频率模型预测电流控制策略

针对传统永磁同步电机(permanent magnet synchronous motor,PMSM)三矢量模型预测电流控制(three-vector model predictive current control,TV-MPCC)存在开关频率不固定和计算复杂的问题,提出一种固定开关频率TV-MPCC策略。利用前一周期的零电压矢量和参考电压矢量所在扇区来快速筛选所需最优电压矢量和次优电压矢量,避免了无效枚举计算,从而降低了开关频率和计算复杂度。引入系统d和q轴电流差参数,计算各电压矢量的作用时间,确保电压矢量作用时间恒大于零和开关频率固定。以三相两电平电压型逆变器驱动的表贴式PMSM为被控对象,通过仿真和实验对传统TV-MPCC策略和所提三矢量固定开关频率模型预测电流控制策略进行对比研究,仿真和实验结果表明,所提策略在保证系统稳态和动态性能的基础上,在固定和降低开关频率的同时,降低了计算复杂度。

基于ACO-BP模型的岩石爆破破碎块度预测

为了对岩石爆破破碎块度进行有效预测,设计开展了混凝土试件钻孔爆破试验,得到不同试验条件下的破碎块度归一化值分布,最终选取试块尺寸40 mm以上进行研究。采用Spearman相关系数分析各试验条件参数之间的相关性,再采用蚁群算法(ACO)优化BP神经网络的初始权值和阈值,构建ACO-BP模型。结合现场试块爆破破碎块度数据对模型进行了训练和测试,并将预测模型与BP神经网络模型、随机森林(RF)模型、极限梯度提升(XGboost)模型进行了对比。结果表明,ACO-BP模型预测爆破块度均方根误差为0.13,平均绝对误差为0.11,决定系数为0.92,预测精度和适用性更高,能够更准确地预测岩石爆破破碎块度。

基于多环境因素分析的猪舍温湿度预测模型

【目的】针对环控设备调控滞后导致的密闭猪舍内温湿度波动大问题,提出合适的多元时间序列温湿度预测模型。【方法】采用皮尔逊相关性分析确定采集到的12种环境因子的相关性,初步筛选模型的输入特征。对已筛选的输入特征归一化,消除数据尺度的影响,选取DDGCRN、长短期记忆网络、支持向量回归和随机森林模型,对模型预测结果实例验证,筛选出性能最好的模型。【结果】筛选确定了温湿度预测模型的输入特征。经对比验证,DDGCRN模型预测精度最高,其预测温度和湿度的平均绝对误差分别为0.079和0.458,均方根误差分别为0.134和0.719,平均绝对百分比误差分别为0.392%和0.675%。模型输入配置比较分析表明,过多的输入特征并不能使得模型的预测能力提高,反而可能降低,且不同类型的模型以及不同的预测目标都有不同的合适的输入特征。【结论】使用DDGCRN温湿度预测模型对舍内的温湿度变换可以起到提前警告作用,为精准控制养殖环境温湿度提供参考。

基于多模型决策融合的苹果产地判别及糖度含量预测

苹果产地溯源与苹果糖度含量预测具有非常重要的现实意义,通过建立模型达到产地判别与糖度预测目的。为了克服单个模型的局限性,通过将多个模型的预测结果综合,提高整体预测性能。采用近红外光谱结合多模型决策融合策略对苹果产地进行溯源鉴别,对苹果糖度值进行预测,验证理论方法的可行性。采用手持式近红外检测仪采集了苹果样本的光谱,使用样本光谱结合随机森林(RF)方法、偏最小二乘判别分析(PLS-DA)与支持向量机(SVM)方法建立了苹果产地判别模型。再对三种判别模型输出的预测结果使用投票制决策融合方法,输出新的判别结果。对所有苹果样本采集了糖度实际值,使用样本光谱与糖度实际值结合随机森林(RF)、偏最小二乘回归(PLSR)与支持向量回归(SVR)方法建立了糖度预测模型。采用三种回归模型输出的结果,通过加权法决策融合策略输出新的糖度预测结果。在不使用投票决策方法时,三种定性建模方法中使用RF方法建立判别模型效果最好,预测准确度达到88.71%。使用SVM方法预测效果最差,预测准确度为77.43%。使用投票决策方法后,对苹果产地鉴别的准确度达到93.42%,其预测的精确度与召回率也达到了双高,均在85%以上。在不使用加权的决策融合方法前提下,三种定量建模方法对苹果糖度的预测均有不错的效果。三种方法预测的决定系数均约0.87,预测均方根误差均约为0.78。使用了加权的决策融合方法,对糖度的预测效果有一定的提升。预测决定系数为0.91,预测均方根误差为0.66。通过在苹果产地的鉴别与苹果糖度的预测中,使用多模型决策融合方法提高了苹果产地判别的正确率,提升了对苹果糖度预测的准确性,证实了所提方法的可行性。同时,手持式近红外检测仪结合多模型决策融合方法也为现场无损检测分析提供了一种新的高精度预测手段。

基于PSO-BPNN模型的爆破块度预测

爆破块度和级配对水利工程堆石体的稳定性与渗透性影响至关重要,爆破块度的精确预测是目前岩体爆破领域科研工作者关心的热点问题之一。基于BP神经网络基本原理,利用PSO算法优化网络权重和偏置,构建PSO-BPNN模型,结合典型爆破数据对模型进行训练和测试,并依托山西浑源抽水蓄能电站工程实际验证模型的可靠性与适用性。结果表明:PSO-BPNN模型预测爆破块度计算时间短,可靠性高;模型预测输出值与工程实际平均爆破块度值最大相对误差为6.56%,其预测精度高和适用性较高,可为山西浑源抽水蓄能电站堆石坝的建设提供精确的指导。

基于均值-方差-偏度的配电网有功-无功随机模型预测控制

针对高比例具有不确定性的可再生能源接入对配电网安全经济运行带来的挑战,提出一种基于均值-方差-偏度的有功-无功随机模型预测控制协调优化策略。首先,在综合考虑有功和无功成本的基础上,基于Fish⁃er-z变换的拉丁超立方采样生成可再生能源出力场景集,进而构建表征不确定性下收益的期望-偏度模型和表征不确定性风险的方差模型。然后,建立权衡收益和风险的三阶近似矩效用函数,提出基于均值-方差-偏度的有功-无功随机模型预测控制协调优化框架。最后,基于线性化潮流方法对所提模型进行线性化处理,在改进的IEEE-37节点系统进行仿真验证。结果表明,所提策略能够有效应对可再生能源不确定性对配电网经济运行与电压质量的影响。

低复杂度永磁同步电机双矢量模型预测控制策略

针对永磁同步电机模型预测电流控制中计算量大和电流波动问题,提出了一种低复杂度双矢量模型预测电压控制策略。该方法无需遍历所有的电压矢量,仅通过代价函数预测和评估三个不相邻的有效电压矢量,根据三个代价函数值的关系,即可精确快速地确定两个相邻最优有效电压矢量。最优有效的电压矢量选择可以减少预测计算量,同时引入dq轴电压差作用时间计算方法,计算最优有效电压矢量作用时间,以降低计算量。仿真结果表明,相较于占空比策略和传统双矢量模型预测电流控制策略,所提控制策略在保证系统稳态和动态性能的基础上,降低了计算复杂度和电流波动,改善了转矩脉动。

基于加权复杂度的SMOTE算法及其在软件缺陷预测中的应用

近年来,SMOTE被广泛应用于软件缺陷预测中不平衡数据的处理。然而,现有的SMOTE算法普遍忽视了不同样本的复杂度存在很大差异这一问题。事实上,在缺陷预测时样本的复杂度与其是否具有缺陷之间存在着密切的联系,因此,在进行过采样时,有必要利用样本的复杂度来辅助新样本的合成,从而提高缺陷预测的性能。如何度量样本的复杂度非常重要,论文在计算样本复杂度时充分考虑到每一个条件属性的权重,从而得到一种加权复杂度的概念。基于加权复杂度,提出一种新的SMOTE算法——WCP-SMOTE,并将其应用于软件缺陷预测。WCP-SMOTE算法首先利用粗糙集中的粒度决策熵来计算决策表中每个条件属性的重要性和权重;其次,通过对样本在所有属性上的取值进行加权求和,从而得到该样本的加权复杂度;第三,根据加权复杂度对少数类样本进行升序排序,并从头到尾对相邻的两个少数类样本求平均来不断地合成新的样本,直到获得一个平衡的数据集。在多个缺陷预测数据集上的实验表明,利用WCP-SMOTE算法来处理不平衡数据能够获得更好的软件缺陷预测性能。

基于IGWO-CatBoost模型的岩石爆破块度预测

针对无法准确预测矿山岩石爆破后块度大小的问题,提出一种基于改进灰狼算法(IGWO)优化的CatBoost块度预测模型。采用一种新的非线性收敛因子,引入动态权重策略,改进已有的灰狼算法(GWO),通过4个测试函数和5种优化算法验证了IGWO的寻优能力。对公开数据库和现场采集的32组数据进行预测分析。首先,采用随机森林算法进行特征重要性筛选,利用IGWO对CatBoost进行参数寻优,建立IGWO-CatBoost爆破块度预测模型;然后,将预测结果与在相同条件下建立的CatBoost、XGBoost、LightGBM模型进行对比分析。经过IGWO调参,CatBoost模型的预测准确度得到有效提高,IGWO-CatBoost模型的预测准确度均优于其他3种预测模型。对比结果表明,IGWO-CatBoost模型具有很好的预测能力和适应性。

光伏电站环网柜温湿度非线性耦合预测模型研究

大型太阳能光伏电站中的环网柜工作环境复杂多变,面对温差大、潮湿等恶劣环境,极易发生环网柜运行故障,影响太阳能光伏的安全稳定接入并网。环网柜温湿度具有明显的线性和非线性变化特征,基于环网柜内部温湿度实测数据,利用自回归移动平均(ARIMA)模型和径向基函数(RBF)模型对线性和非线性数据处理能力的优势,构建ARIMA-RBF权重组合温湿度预测模型,对某光伏电站实际环网柜内温湿度进行动态预测。预测结果表明:相较于单一模型,ARIMA-RBF权重组合模型的预测精度更高、稳定性更好;该组合模型通过适当的加权策略充分发挥了单一模型对数据不同特征的处理能力,能较好地评估环网柜内部温湿度状态,可为建立更具普适性的预测模型提供参考,并有助于减少环网柜因长期超温和潮湿环境下运行引起的故障。

麻雀搜索算法优化极端梯度提升模型的岩石爆破块度预测

为进一步提高岩石爆破块度预测效果,利用多个矿山的岩石爆破统计数据,通过优化极端梯度提升模型(extreme gradient boosting, XGBoost)超参数,建立一种基于随机森林(random forest, RF)特征选择的麻雀搜索算法(sparrow search algorithm, SSA)优化XGBoost爆破块度预测模型。利用麻雀搜索算法对XGBoost模型决策树数量、决策树最大深度、学习率3个核心超参数进行优化以提高运行效率;利用随机森林对输入特征进行筛选,并将优化后的特征集输入预测模型。结果表明:经特征集优化的模型,爆破块度预测效果整体上更加逼近实际值,且预测结果的可决系数(R-squared,R~2)、均方根误差(root mean square error, RMSE)和平均绝对误差(mean absolute error, MAE)分别为0.954、0.026和0.020,相较于BP(back propagation)神经网络、随机森林和XGBoost模型的效果更优,在实际应用中更具适用性,能为爆破参数设计和优化提供借鉴。

酒精戒断综合征病人出院准备度预测模型的研究

目的:探讨酒精戒断综合征(alcohol withdrawal syndrome, AWS)病人出院准备度的影响因素,构建预测模型并验证。方法:采用便利抽样法选取2020年1月—2023年6月百色市第二人民医院收治的194例AWS病人作为研究对象,采用AWS病人出院准备度调查问卷、中文版出院指导质量量表和家庭支持量表进行调查。结果:194例AWS病人中21.13%的病人未做好出院准备。Logistic回归分析显示,日饮酒次数、酒精依赖时间、日饮酒量、本次戒酒住院时间、居住地、出院指导质量和家庭支持是AWS病人出院准备度的影响因素(P<0.05);模型验证显示,决策曲线分析(DCA)曲线净获益较高,建模集和内部验证集的受试者工作特征(ROC)曲线下面积分别为0.871和0.849,校准曲线与实际曲线重合良好。结论:构建的AWS病人出院准备度列线图模型预测AWS病人出院准备度可信度高,有较高的临床效益。

ERAS模式下微创食管切除手术患者出院准备度的因素分析及预测模型构建

探讨微创食管切除手术(Mckeown术式)患者出院准备度的因素分析及预测模型构建。方法 回顾性分析2023年1月-2023年6月我院收治的Mckeown术式患者120例的临床资料,用专业的量表调查患者的出院准备度、消化道症状等,分析ERAS模式下微创食管切除手术患者出院准备度的影响因素。结果 年龄、出院后居住方式与衰弱情况、疼痛、24h进食量、24h进食热量以及24h活动量、血浆白蛋白、MDASI-GI、TUGT计时对ERAS模式下Mckeown术患者出院准备度有影响。Logistic回归分析自变量赋值,得到预测模型公式:出院准备度=-3×X疼痛评分+1×X血浆白蛋白+5×X24h进食量-4×XMDASI-1×XTUGT,多因素分析结果显示公式中的各预测因素为独立影响因素。结论 Mckeown术式患者出院准备度的影响因素较多,预测模型可对患者的出院准备情况进行有效预测。

汉中负氧离子浓度分布特征及预测

利用汉中市宁强千山和略阳象山2018—2021年的负氧离子观测资料和同期的地面气象观测资料,分析了两地的负氧离子浓度分布特征,采用机器学习方法建立了负氧离子浓度预测模型。结果表明:汉中宁强千山和略阳象山的负氧离子浓度逐年增高,两地负氧离子浓度的季节和月份变化趋势基本一致。夏季的负氧离子浓度最高,冬季最低;8月最高,1月最低;日变化呈单峰趋势。温度和相对湿度与负氧离子浓度变化有密切关系。利用2022年1—6月资料对预测模型进行验证,宁强千山、略阳象山空气清新度等级预测准确率达到76.2%、73.2%,预报效果较好,可应用于两地的空气清新度预报业务。

基于Swin Transformer与GRU的低温贮藏番茄成熟度识别与时序预测研究

面向绿熟番茄采后持续转熟特征,适时调温是满足不同成熟度番茄适宜贮运温度需求的关键,而果实成熟度自动识别与动态预测则是实现温度适时调控的基础条件。本文基于Swin Transformer与改进GRU提出了一种番茄成熟度识别与时序动态预测模型,首先通过融合番茄两侧图像获取番茄表观全局红色总占比,构建不同成熟番茄图像数据集,并基于迁移学习优化Swin Transformer模型初始权重配置,实现番茄成熟度分类识别;其次,周期性采集不同储藏温度(4、9、14℃)下番茄图像数据,结合番茄初始颜色特征与贮藏环境信息,构建基于Swin Transformer与GRU的番茄成熟度时序预测模型,并融合时间注意力模块优化模型预测精度;最后,对比分析不同模型预测结果,验证本研究所提模型的准确性与优越性。结果表明,番茄成熟度正确识别率为95.783%,相比VGG16、AlexNet、ResNet50模型,模型正确识别率分别提升2.83%、3.35%、12.34%。番茄成熟度时序预测均方误差(MSE)为0.225,相比原始GRU、LSTM、BiGRU模型MSE最高降低29.46%。本研究为兼顾番茄成熟度实现贮藏温度柔性适时调控提供了关键理论基础。

场景复杂度评估在轨迹预测和驾驶决策中的应用

场景复杂度的评估对于提升自动驾驶车辆应对多变环境的能力以及增强算法的适用性至关重要。本文中设计了基于图模型的复杂度评估算法,充分考虑场景中的交互拓扑,将场景划分为3类不同复杂度。在匝道汇流场景下,验证了该算法的合理性与有效性。为说明复杂度评估算法的拓展性,将其应用于自动驾驶的轨迹预测与决策算法开发中。通过结合自然驾驶数据集和实车在环试验,对提出算法进行测试,结果表明:场景复杂度评估可预先估计预测的不确定性,显著提升自动驾驶决策算法的实时性与最优性。在数据回放测试中,复杂度评估模块可帮助降低并道失败率、并道剐蹭率分别为38%、92%,具有潜在的应用前景。

基于可靠度与损伤理论的混凝土寿命预测模型Ⅱ:模型验证与应用

作为混凝土寿命预测普适模型的应用篇 ,介绍了模型在冻融作用下的具体应用 .根据该模型 ,提出了适用于冻融条件 (包括复合其它因素 )作用下的混凝土的多元Weibull冻融损伤模型 ;同时 ,展开了快速冻融以及硫酸铵侵蚀与冻融复合作用下的耐久性实验 ,并根据实验结果对冻融模型进行了验证 ,并与神经元计算方法进行了比较 ,结果表明 ,该模型在冻融条件下的应用是成功的 .另外 ,为了实现模型由实验室条件向实际工程应用的跨越 ,本文提出了模型的实际应用方法并根据该方法对北京十三陵抽水蓄能电站这一现场环境下混凝土的寿命进行了数值模拟 ,从而为实际复杂环境下的混凝土寿命评估提供了一个新思路和新方法 ,具有一定的应用推广价值 .

牦牛肉宰后成熟嫩度预测模型与验证

牛肉宰后初始阶段的生理生化指标变化,会对宰后成熟期间牦牛肉嫩度品质的形成产生影响,该研究有助于牦牛肉成熟及嫩度改善理论的完善。为了明确宰后生理生化指标的变化对牦牛肉嫩度形成的影响,该研究选取18头公牦牛,宰后取背最长肌,在4℃条件下储藏成熟,测定pH值、糖原含量、依钙蛋白酶活力(calpain activity,CA)、肌原纤维小片化指数(myofibrillar fragmentation index,MFI)、肌节长度、肌纤维直径和剪切力,并通过动力学分析确定部分指标的变化幅度和速度参数。然后采用"刀切法",筛选出4个变量作为预测因子:依钙蛋白酶活力下降速率(RCA)、pH值下降幅度(EpH)、pH值下降速率(RpH)、糖原下降速率(RGlu),并通过线性回归构建宰后6d剪切力的预测模型,所得预测方程拟合度R2=0.703。经过验证,预测方程可给出与真实值相差极小的预测值。通过预测模型,可以根据牦牛宰后3d内生理生化指标的变化,对宰后6d牦牛肉的剪切力实现有效预测。

LOO-XGboost模型预测岩石爆破块度

针对小样本条件下使用机器学习方法预测岩石爆破块度存在的数据利用率不足,预测精度存在浮动较大的问题。将留一法(LOO)与极限梯度提升(XGboost)算法结合,利用Python 3.7构建LOO-XGboost岩石爆破块度预测模型,选取31组爆破数据进行LOO-XGboost模型训练与预测,通过调用不同参数,得到模型的最优内置参数如下:求解方式为树模型,学习率为0.30,决策树数量为50,决策树最大迭代深度为3,叶子节点最小样本数为3,随机采样比例为0.8。将预测结果与同条件下的支持向量机回归(SVR)、BP神经网络(BPNN)、随机森林(RF)模型以及10折交叉验证下的XGboost模型进行对比,对比结果为LOO-XGboost模型预测精度明显高于其他4种模型,其相关系数、均方根误差、平均绝对误差分别为0.9128、0.0587、0.0342。结果表明:LOO-XGboost模型既保证了小样本情况下的数据利用率,又提高了预测精度,适合应用于岩石爆破块度预测。