基于聚类算法的ERT污染区域识别方法

本文提出将聚类算法引入到ERT监测系统中,采用K均值(K-means)聚类、模糊C均值算法(FCM)以及混合高斯模型(GMM)3种常用聚类算法对ERT检测结果进行污染区域识别,通过一个数值模型分析了3种算法的识别效果.研究结果表明当污染区域与背景土壤的电阻率区分度较大时(电阻率差异性大于30%),采用3种聚类算法都可以识别出污染区域,K-means和FCM的识别效果优于GMM算法.最后,给出一个实际场地调查的应用案例.

ERT成像算法在管道泥浆浓度测量中的应用

电阻层析成像(ERT)技术的非侵入性和可视化特点在管道泥浆浓度检测中具有独特的优势,作为ERT技术的核心,成像算法的选择对于检测水平有很大影响。采用LBP算法、Newton-Raphson迭代算法和Landweber迭代算法对3种管道泥浆流型进行反演成像,并从成像精度、成像速度和抗噪声能力3个指标定量评价了3种算法的适用性。计算结果表明,LBP算法具有最快的成像速度和最强的抗噪声能力;Newton-Raphson算法具有最高的成像精度。根据成像实时性的要求确定选用何种算法。

电阻率层析成像法监测系统在矿井突水模型试验中的应用

为实现矿井突水过程中岩层断裂和渗流通道形成过程的实时监测和前兆信息捕捉,将三维电阻率层析成像法作为一种实时成像监测手段尝试引入到矿井突水模型试验的监测工作中。采用具有自动采集功能的电阻率层析成像监测系统,实现介质电阻率变化数据的实时动态监测。提出优化反演效率的计算方法,利用Cholesky分解法求解电阻率层析成像正演中的大型线性方程组,利用预条件共轭梯度法求解反演方程,由此建立三维电阻率层析成像实时反演方法,实现原始数据的快速反演和动态图像的实时输出。提出以电阻率层析成像法为主,结合原始视电阻率数据分析和关键点数据时程曲线分析的多参数监测分析方法。在试验过程中,利用层析成像法得到防突层裂隙产生、扩展直至贯通的实时动态图像,得到主要裂隙和渗流通道的产生位置、形成过程等信息,与实际情况基本一致。综合3种方法的分析结果,得出防突层发生突水断裂的诱因,并确定捉到确切前兆信息的最早时,该时刻比突水发生时刻提前998s。模型试验证明,电阻率层析成像系统有效地反映岩层断裂及渗流通道的形成过程,成功地捕捉到一系列前兆信息,为突水灾害的及时预警预报提供重要参考。

用图像相关系数和图像方差分析电阻层析测量反演算法的性能

根据不同两相流流型下获得的电阻抗层析测量结果,用图像相关系数和图像方差两个技术参数分别考察了线性反投影算法(LBP)、改进牛顿-拉夫逊类算法(MNR)、基于遗传算法的LBP-MNR-GA组合算法的反演能力。仿真表明,LBP对简单流型有较快和较好的反演能力,MNR反演复杂流型的能力比LBP强,LBP-MNR-GA组合算法的反演能力最强。

电阻率层析成像非线性反演

本文通过概率成像法、α中心法、遗传算法的有机结合,实现了2-D 电阻率层析成像非线性反演.首先,根据概率成像结果指示出的2-D 地质异常体的相对电性和大致分布范围,合理地确定出α中心的位置与强度系数的变化范围.其次,以α中心法作为2-D地电结构的正演手段,采用遗传算法反演出各α中心的强度系数.在此基础上,应用α中心法重新构建出地下介质电阻率的分布.通过对均匀半空间中赋存2-D 地质异常体模型的反演试验,获得了令人满意的结果.

基于不等式约束的最小二乘法三维电阻率反演及其算法优化

基于光滑约束的最小二乘法是三维电阻率反演的主要方法,但该方法在某些情况下存在着多解性较强的问题,且普遍耗时较长,严重制约了三维反演方法的推广与发展.为改善上述问题,将表征模型参数变化范围的不等式约束作为先验信息引入最小二乘线性反演方法中,有效地改善了反演结果的精度,降低了反演的多解性问题.为了解决耗时较长的问题,基于预条件共轭梯度(PCG)算法和Cholesky分解法的特点提出了一套优化三维电阻率反演计算效率的计算方案.在该方案中,Cholesky分解法被用来求解敏感度矩阵计算中的多个点源场的正演问题,Cholesky分解法只需对总体系数矩阵进行一次分解,然后对不同的右端向量进行回代即可.将预条件共轭梯度法引入到三维电阻率反演方程的求解中,将雅可比迭代中的对角阵作为预处理矩阵,其具有求逆方便、无需内存空间的特点,有效地加快了收敛速度.对合成数据以及实测数据的反演算例表明,借助不等式约束和反演效率优化方案,最小二乘反演方法可得到较为精确的反演结果,有效地提高了反演计算效率,具有良好的推广前景.

代数神经网络电阻层析成像图像重建算法

两相流体具有复杂性的流动特性,图像重建的精度是两相流参数准确测量的基础。针对电阻层析成像系统存在的软场特性、强非线性和不适定性,使得重建的图像质量差、计算时间长等问题,基于代数运算的神经网络,给出了一种基于代数神经网络电阻层析成像图像重建算法。该算法通过建立代数神经网络,以测量的边界电压值作为神经网络的输入,将图像重建转变为一个严格对角占优的线性方程组的求解问题,以达到图像快速、准确的重建目的。通过实验仿真分析,该方法具有收敛速度快、代价低和误差小等特点。

基于视频序列的危险驾驶预警技术研究

为减少因危险驾驶行为造成的交通事故,提出一种基于视觉的危险驾驶预警方法。依据人脸特征点定位结果计算嘴部几何特征值,并使用头部姿态角对几何特征进行修正,形成嘴部张开度和头部姿态的特征序列;针对数据丢失问题,使用滑动平均法进行缺失值补偿;统计分析时间窗内序列,对哈欠、说话、视线偏移行为进行识别;并提出一种多参数融合方案和非线性映射模型将危险可能性直观化,计算危险系数并进行危险驾驶报警。实验表明,哈欠、说话检测准确率分别达到82.97%、100%,头部姿态、危险驾驶系数与实际情况相符,模型效果好。

基于改进的深度卷积神经网络的人脸疲劳检测

针对疲劳驾驶检测问题,提出一种以softmax损失与中心损失相结合的深度卷积神经网络算法。首先,利用含有方向的梯度直方图(histogram of oriented gridients,HOG)和级联分类器(support vector machine,SVM)算法的Dlib库中预训练的人脸检测器,来检测驾驶员的脸部区域。其次,使用级联回归(ensemble of regression trees,ERT)算法实现脸部68个关键点标定及眼睛和嘴巴的定位。最后,为了优化softmax损失在深度卷积网络分类中出现的类内间距大的问题,加入中心损失函数,提高类间差异性、类内紧密性以及驾驶员脸部疲劳状态识别准确率。在自建测试集和YawDD哈欠数据集中的实验结果显示,该方法能够准确地识别检测驾驶员疲劳表情,平均识别准确率达到98.81%。与传统的疲劳驾驶检测识别方法相比,该方法可以自动进行疲劳特征提取,并且训练准确率、检测识别率及鲁棒性得到提高;与未改进的深度卷积网络相比,检测识别的概率平均提高了约5.09%。