基于MSC与SVM的夯土齐长城土壤含水率高光谱估测

采用近地面高光谱技术,建立基于支持向量机(support vector machines, SVM)的土壤含水率的高光谱估测模型,为快速、无损估测土壤含水率提供科学依据。以青岛市黄岛区夯土齐长城为研究区,沿垂直于齐长城采集样品,并进行光谱反射率和含水率测定;对土壤原始光谱反射率进行对数的一阶微分(Lg(R)′)处理以及多元散射校正(Multiple scatter correction, MSC)和对数的一阶微分(Lg(R)′)处理,分别与土壤含水率进行相关分析,筛选敏感波长;利用Lg(R)′和MSC+Lg(R)′处理后的光谱数据分别建立基于SVM的土壤含水率高光谱估测模型。结果表明,多元散射校正可以增强光谱与土壤含水率之间的相关吸收信息,提高土壤光谱反射率与土壤含水率的相关性,筛选的敏感波长为1 861 nm、1 866 nm、1 549 nm、1 885 nm、1 871 nm、1 895 nm和2 095 nm;基于MSC+Lg(R)′预处理建立的SVM回归模型精度较高,其Rc2为0.811,Rv2为0.764,RPD为2.671。利用MSC方法对光谱数据进行预处理,可以更加准确地筛选出敏感波长,建立的SVM估测模型更加精准。

一种电气设备状态诊断方法

随着电网技术的不断发展和电网规模不断扩大,电气设备数量激增、智能化程度越来越高;同时,终端用户对用电可靠性越来越重视,借助智能技术基于设备运行数据对设备进行故障诊断势在必行.本文以基于范例推理的理论(CRB)与支持向量机技术(SVM)为主要工具,提出了一种基于范例推理的电气设备状态智能诊断模型,试图通过电气设备已有数据的挖掘,获取电气设备故障的潜在发生规律,进而作为依据及时发现并排除电气设备的潜伏性故障.首先研究CRB和SVM在电气设备状态诊断中的应用;然后建立电气设备状态智能诊断模型,以电气设备的海量运行数据、历史数据、测试数据以及环境因素等为基础,建立电气设备的状态范例库,应用SVM回归对设备状态范例库进行深度的挖掘与分析,建立设备状态指纹,并以此为据进行电气设备运行状态的诊断分析;最后以油浸式变压器状态诊断为例,对实际数据进行分析诊断,并与三比值法的诊断结果进行比较.诊断结果表明,智能诊断模型诊断范围更广,诊断结果更准确.

基于改进蚁群追踪策略的地震层位自动识别方法

目前层位拾取和标定更多地是依靠人工或机器辅助的方式进行,如同相轴追踪、基于神经网络和图像边缘提取技术的层位拾取,业界的地震层位追踪方法偏重于三维层位追踪和剖面自动追踪算法。存在效率低、需要人为指定种子点、训练追踪时间长等缺陷,且每次只能完成一个层位(面)追踪,无法对层间关系进行解释。为此,提出了基于改进蚁群追踪策略的地震层位自动识别方法。首先采用改进的加权中值滤波对地震数据进行预处理,在增强同相轴连续性的基础上,减少了传统种子点生长算法中的人为参与;基于蚁群算法的基本思想,引入支持向量机(SVM)技术对地震数据进行分类处理,同时综合考虑地震振幅、瞬时相位、层位倾角、信息素浓度等多种信息,纳入蚁群层位追踪的评价函数,采用改进的蚁群搜索算法实现地震层位自动追踪。通过对追踪区域进行划分,实现区域内小层加密,提供多种合理的层位加密策略,完成地震层位追踪后期处理。实际资料应用结果检验了方法的有效性,为层序地层分析、沉积体系域解释、精细储层描述提供了技术思路。