基于改进聚类分析与网格搜索优化的雷电定位算法研究

为了提高雷电定位精度与算法模型性能,在定位计算中引入了改进的聚类分析算法,评估了不同算法在国家雷电监测网中的性能。仿真结果表明,具有噪声的基于自适应密度的空间聚类(ADBSCAN)能根据实际定位结果间聚合程度自适应确定邻域参数,实际应用效果最好。最后提出了一套基于改进ADBSCAN聚类分析与网格搜索优化的雷电定位算法(ADGLLA)。在相同回击数量的条件下,ADG-LLA相较于国家雷电监测网得到了更多的定位结果,闪电回击数据利用率从42.78%提高至56.37%,且定位效果较好,精确度更高,平均定位误差也比国家雷电监测网降低了30.78%。文中设计的雷电定位算法能有效识别噪声数据,克服了传统迭代算法计算量大且易于陷入局部最优等缺点,可稳定并精确求解出雷击点。

高光谱技术结合网格搜索优化支持向量机的桃缺陷检测

为快速区分完好桃、疮痂桃、腐烂桃(虫咬桃、鸟啄桃),实现久保桃外部缺陷的无损检测,该研究利用高光谱技术对久保桃的外部缺陷进行了研究。共采集302个久保桃样本(120个完好桃样本、120个缺陷桃样本、62个验证桃样本),对比经光谱学、基线校正、中值滤波(median filter,MF)等5种预处理方法建立偏最小二乘法模型的准确率,选取经MF预处理后的光谱数据进行后续建模研究。采用回归系数法、竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)提取特征波长,建立网格搜索法优化支持向量机(grid search optimized support vector machines,GS-SVM)模型、遗传算法优化SVM模型、粒子群算法优化的SVM模型并进行对比分析。结果表明,CARS-GS-SVM模型预测效果最好,其训练集的判别率为93.33%,预测集的判别率为96.77%,验证集的判别准确率为91.94%,运行时间为11.5 s。该研究利用高光谱技术结合CARS-GS-SVM模型实现了久保桃外部缺陷的检测,为开发水果的分级分选设备提供了理论基础。

基于网格搜索优化的CFRW导电性能模型研究

碳纤维增强木质复合材料(CFRW,carbon fiber reinforced wood)以其良好的电学性能在实际生产中得到广泛的应用。采用支持向量机建立CFRW导电性能模型,利用网格搜索寻优方法对支持向量机(SVM)模型的参数进行优化,在设定不同精度下分别获得模型的最优参数。