基于图像识别的铜转炉吹炼造渣期渣含Fe预测模型研究

铜转炉吹炼是火法炼铜的关键工序,其终点判断与炉寿、铜产率和直收率紧密相关,目前现有人工经验、仪器测定和物料平衡法等终点判断方法均存在一定的局限性。理论上铜转炉吹炼造渣期终点与渣含Fe是否达标有关,而不同Fe含量渣样呈现不同的图像特征,鉴于此,基于图形识别的特征向量提取原理,分别采用卷积神经网络(CNN)算法与支持向量机(SVM)算法,构建了铜转炉吹炼造渣期渣含Fe预测模型,为图像识别技术在铜转炉吹炼终点判断中的应用奠定数模基础。两种模型的实例分析表明,卷积神经网络的训练集预测准确率98%,测试集预测准确率约50%;支持向量机模型的训练集预测准确率99%,测试集预测准确率62%。     

基于交叉验证的SVM对致密砂岩岩性的识别

利用苏里格研究区岩屑录井资料,优选了对岩性差异具有较好指示作用的自然伽马和光电吸收截面指数两条测井曲线参数作为训练和测试样本,并且做归一化处理以消除测井响应特征量纲不一致的影响,使用交叉验证方法对支持向量机的关键参数则进行最佳寻优,得到了一种基于交叉验证优化的支持向量机岩性识别模型并在研究区对多口井样本进行岩性识别。对比实验结果,支持向量机法平均符合率达到了91.25%,高于神经网络法和交会图法的识别准确率,而且收敛速度更加快,取得良好的应用效果。     

基于深度卷积神经网络的地磁导航方向适配性分析

针对地磁导航方向适配性分析时人工提取的特征主观性较强且难以表达深层的结构性特征的问题,提出一种基于深度卷积神经网络(convolutional neural network,CNN)的地磁导航方向适配性分析方法.首先,利用Gabor滤波器的方向选择特性建立了6个典型方向的适配特征图;然后,设计了卷积神经网络对深层次的方向适配特征进行提取,并通过混和粒子群算法(hybrid particle swarm optimization,HPSO)对卷积神经网络的训练参数进行优选;最后,通过仿真实验对所提方法进行了验证.结果表明,该方法可有效避免复杂的计算以及人工特征提取的盲目性,实现了地磁导航方向适配性分析的自动化,且所提方法的准确率高于传统的BP网络和支持向量机,对地磁导航和航迹规划具有指导意义.      

基于卷积神经网络的矿工安全帽佩戴识别研究

为了解决矿山安全监控监测主要靠人工对视频数据进行识别而存在的诸多人为因素限制的问题,通过构建卷积神经网络实现计算机智能识别矿工安全帽的佩戴,在不增加任何辅助装置的条件下实现矿工安全着装智能识别。从视频数据中提取图像,通过对图像进行旋转、偏移、剪切等预处理,将图像分为矿山背景、戴安全帽的矿工和不戴安全帽的矿工3类。通过构建3种不同深度层次的卷积神经网络进行实验对比,"4个卷积层+3个池化层+3个全连接层"组成的深层网络识别准确率较高,达到91.2%。实验表明利用卷积神经网络可以较好地实现对矿工是否正确佩戴安全帽的智能识别。研究方法为人工智能应用于矿山的安全监控、安全行为及安全状态的智能识别研究提供借鉴。     

基于群体智能优化的MKL-SVM算法及肺结节识别

针对单核学习支持向量机无法兼顾学习能力与泛化能力以及多核函数参数寻优问题,提出了一种基于群体智能优化的多核学习支持向量机算法。首先,研究了五种单核函数对支持向量机分类性能的影响,进一步提出具有全局性质的多项式核和局部性质的拉普拉斯核凸组合形式的多核学习支持向量机算法;其次,为增加粒子多样性及快速寻优,将粒子群优化算法引入了遗传算法中的杂交操作,并用此改进的群体智能优化算法对多核学习支持向量机进行参数寻优。最后,分别采用深度特征与手工特征作为识别算法的输入,研究表明采用深度特征优于手工特征。故本文采用深度特征作为多核学习支持向量机的输入,以交叉遗传与粒子群混合智能优化算法作为其寻优方式。实验选取合作医院数据集对所提算法进行训练并初步测试,进一步为了验证所提算法的泛化能力,选取公开数据集LUNA16进行测试。实验结果表明,本文算法易于跳出局部最优解,提升了算法的学习能力与泛化能力,具有较优的分类性能。      

基于卷积神经网络的钢卷边部缺陷识别

热轧卷板边部缺陷对终端产品质量有着极为重要的影响，传统轧钢工艺缺陷的检查多依靠人工，其高温、连续的生产环境严重阻碍了人工在线检测的准确率。为完成对热轧钢卷边部各种缺陷的高效检测，建立了热轧钢卷缺陷数据集，数据集包括分层、烂边以及正常钢卷样本3种，基于卷积神经网络原理，开发了卷板边部缺陷在线智能识别模型。人工标定和训练优化结果表明：训练集的损失函数值为1.163%,测试集的损失函数值为0.781%,训练集和测试集准确率分别达到了98.9%和99.0%。测试集的损失函数值低于训练集，但准确率高于训练集，表明损失函数的值越小，准确率越高，训练出来的模型越好。将其应用于现场实际的钢卷边部缺陷识别中，智能缺陷识别结果较为准确，可以证明该模型具有很高的缺陷识别能力，满足了轧钢卷板边部质量控制的工艺需求。模型的开发对降低制造成本、确保生产安全以及提升产品质量都具有重要的意义。     

基于支持向量机算法的连铸坯端面信息码识别方法

针对传统的连铸坯端面信息码人工识别存在的受生产现场环境和人为操作因素影响大且易出错的问题,提出了基于支持向量机算法的连铸坯端面信息码识别方法。该方法使用Python语言,利用滑动窗口从采集的图像中抽取对象,进而对数据集样本进行训练,通过使用滑动窗口物体检测算法和支持向量机分类器模型,完成对连铸坯端面信息码的智能识别。详细阐述了该方法的识别原理与步骤。识别结果表明,该识别方法准确率高,能满足连铸坯端面信息码自动识别的要求。     

基于支持向量机的围岩定性智能分级研究

本文将数据挖掘的新方法支持向量机应用于隧道围岩分级.支持向量机是一种基于统计学习理论的新的学习算法,比神经网络算法能更好地解决小样本问题.选用岩层厚度、岩体结构、嵌合程度、风化程度、地下水特征、节理发育程度、榔头敲击声和地应力等 8 个定性指标作为评判因子,用泥巴山隧道采集的实际数据作为样本对不同核函数的支持向量机进行训练,并得到评判因子与围岩级别的映射关系,从而可以对未知的围岩样本进行级别判别.判别结果表明:采用多项式核的支持向量机对围岩级别进行判别有较高的准确率,是一种值得推广和应用的围岩智能分级方法.     

基于高光谱图像的矿物种类深度识别方法

矿物识别较大程度上依赖人工经验判断,这种方法成本高昂且受矿物识别人主观影响较大,文中提出利用深度学习神经网络的方法自动识别矿物种类。通过模拟专家目视识别矿物的方式采集了矿物RGB图像和高光谱图像样本,利用以上样本对卷积神经网络进行训练并得到矿物种类识别模型。实验分析结果表明:矿物RGB图像包含的信息较单一,不足以区分矿物种类,识别效果较差,识别准确率仅约39.52%;矿物高光谱图像所含信息更为丰富,能有效表达矿物种类特征,因此识别表现优异,模型识别准确率超过94.7%,能满足实际的生产需求。      

基于智能磨矿介质及CNN和优化SVM模型的球磨机负荷识别方法

当前球磨机负荷检测方法难以准确评估磨机内部变化,给磨机综合运行状态的控制和优化带来较大难度。本文设计了一款内嵌加速度传感器且与钢球介质物理性质相一致的智能磨矿介质用于识别磨机负荷,开展了不同充填率等磨矿条件下的磨矿试验,设计磨矿效果系数划分磨机负荷状态;分别采用了卷积神经网络方法(CNN)和优化的支持向量机(SVM)模型对智能磨矿介质获取的加速度信号进行球磨机负荷识别。基于优化的SVM模型将获取的一维加速度信号进行互补集合经验模态分解算法（CEEMD）去噪、时域特征值和样本熵提取等预处理,将上述磨机负荷的特征向量分别输入GA?SVM、GS?SVM、PSO?SVM分类模型进行训练,研究表明,PSO?SVM模型的识别准确率可达98.33%,但存在训练过程繁琐,耗费时间长的问题。在图像识别领域具有优秀应用能力的CNN模型是把智能磨矿介质检测加速度信号数据转换为二维图片后直接输入基于VGG19网络的CNN模型进行分类识别,磨机负荷分类识别准确率高于优化的SVM模型,可达98.89%,在保证识别准确率的同时有效节约了计算时间。基于CNN的智能磨矿介质球磨机负荷识别方法可为实现球磨机负荷检测与在线评估提供重要解决方案与技术保障。      

Energy-Efficient Trajectories of Unmanned Aerial Vehicles Flying through Thermals

This study presents optimal energy-efficient flight trajectories of a generic unmanned aerial vehicle (UAV) flying through a vertical moving thermal cell. A two-dimensional point-mass model of a jet-engined UAV in the vertical plane is used. UAV equations of motion and the thermal wind expression are normalized for numerical efficiency and four fundamental parameters are identified. UAV flights through a thermal cell are formulated as nonlinear optimal control problems that minimize the average thrust per unit time, subject to UAV performance constraints and periodic flight boundary conditions. These problems are converted into parameter optimizations and solved numerically. Fuel efficiencies of these optimal trajectories are compared with those of reference optimal flights in the lack of thermal winds. Both constant thrust and variable thrust solutions are obtained. Two patterns of optimal flights through thermals are identified, and their characteristics are analyzed. Both patterns of optimal flights are also explained from an energy maximization point of view. Effects of the fundamental parameters on optimal UAV flights are examined. Results suggest that significant improvements in UAV fuel consumption are possible by taking advantage of thermal energies.     

基于协调变量的多机协同打击制导方法与试验验证

根据多无人机协同打击的作战特点和要求，提出了一种通用性集群时空协同打击制导控制方案。该方案分析了比例导引律(Proportional navigation law, PN)在满足特定协调变量一致时具有下弹道唯一的特性，以此为基础，通过选取协调变量，将制导段分为协调段和末制导段。协调段的航迹控制采用改进Dubins方法，实现了协调变量的时空同步收敛；末制导段将三维空间制导解耦为纵向平面与侧向平面的制导，基于同系数比例导引实现集群攻击时间一致。分段航迹控制实现了集群在考虑目标防御射界约束下的时空协同。数值仿真和实际飞行试验结果表明，该方案具有实时的在线规划能力，能够实现大规模集群时空协同下的全向饱和攻击，打击时间精度和空间精度较高。      

从鸟群群集飞行到无人机自主集群编队

无人机可通过自主集群编队提高其在复杂环境下执行任务的能力.多飞行器并存导致系统协调管理难度提升等一系列问题，因此如何设计合理高效的无人机集群编队协调自主控制算法是一个亟待解决的难点问题.在鸟群群集飞行过程中，个体通过遵循简单行为规则进行相互合作而产生复杂有序的集体行为.由于鸟群群集飞行过程中所表现出的邻近交互性、群体稳定性和环境适应性等特点与无人机集群编队的自主、协调和智能等控制要求有着紧密的契合之处，因此，研究鸟群群集飞行机制，并将其映射到无人机集群系统，是解决无人机集群编队协调自主控制问题的一条切实可行的途径.      

仿鸿雁编队的无人机集群飞行验证

为了降低无人机集群控制的复杂度，高效解决大规模无人机集群控制和长距离飞行时集群变拓扑问题，设计了一种仿鸿雁群编队的无人机集群自主协同控制方法，借鉴自然界中的鸿雁编队行为机制，开发了面向无人机平台的分布式仿生集群控制系统。鸿雁是一种常见的集群鸟类，其在迁徙途中表现的自组网和编队变拓扑行为与无人机集群飞行有极高的相似性。仿鸿雁编队行为机制的无人机集群飞行验证系统采用了低成本四旋翼无人机，利用无线局域网进行组网通信。外场飞行试验结果表明，自然界中的鸿雁编队行为机制有助于无人机集群的快速精准编队控制，实现了无人机的位置实时变拓扑，提高了无人机集群飞行的鲁棒性。      

液压设备的安全防护

液压油在高温环境中易燃烧引起设备火灾,火灾是热轧带钢厂最大的安全隐患,其经济损失不可估量.文章介绍了济钢热连轧厂为防火灾对液压设备所做的安全防护,可供相关单位借鉴.     

A population-based study on the prevalence of Hodgkin''s disease in the region of Plovdiv

P. K. Anokhin's basic works on functional systems, on space-time continuum and advanced reflection of the reality, on the physiological structure of a behavior act, as well as his fundamental philosophical and scientific postulated are most fruitful for analyzing and solving a number of biomedical, societal, and political problems, among them there are problems of national security in general and its demographic and health aspects. Individual and public health as a measure of balance between the organism (population) and its biosocial environment depends on the efficiency of relevant physiological and societal functional systems is one of the basic prerequisites of national security and timely recognition, avoiding and overcoming numerous challenges, dangers, and threats to the nation. General political and socioeconomic crisis in Russia adversely affects the population's dynamics and public health and it is manifested by depopulatory processes, low birth and high mortality and morbidity rates, growing violence and crime, psychoemotional stress, decreased immunity level of vast majority of population, especially that of children, elderly and other vulnerable groups. Environmental pollution and degradation have reached dangerous proportions. The national health system is unable to meet basic needs of the population. To overcome the crisis, systemic measures should be in the foundation of all health reform concepts and strategies. Monitoring national health, including modelling its future status, as well as progress in health system reforms should be another basic condition for overcoming the national health crisis.     

基于改进CEEMDAN-DCNN的声发射源识别分类方法

声发射源的准确分类识别是声发射地压监测预报预警研究的重要基础。针对矿山井下围岩体声发射事件信号和采掘作业噪声信号分类识别问题,提出了一种基于改进完备总体经验模态分解和深度卷积神经网络（DCNN）的智能识别分类方法。首先,对信号进行改进CEEMDAN降噪处理,即利用相关性系数阈值和排列熵（PE）阈值剔除伪分量和噪声分量;然后,利用DCNN对降噪后的信号自动提取高维特征;最后,将特征用于softmax分类器分类识别,实现智能化井下信号源多分类。研究表明：改进CEEMDAN能够有效剔除伪分量及噪声分量;相比其他机器学习方法,改进CEEMDAN-DCNN方法具有准确率高和稳定性较好等优点。信号源识别分类方法研究为地压监测预警预报提供了重要的基础数据,准确的灾害预警预报可为矿山井下作业人员和设备提供安全保障。