关节-轮式爬杆机器人多姿态力学模型与稳定性研究

现有的爬杆机器人在研究中常侧重于越障能力或负载能力某一方面,无法同时满足实际生产对这两方面提出的高要求,为此设计了一种新型关节—轮式爬杆机器人,兼具了轮式机器人较强的负载能力和关节式机器人良好的越障能力。建立了爬杆机器人在轴向、周向、翻转运动姿态下的整体力学模型和基于稳态侧偏理论的弹性车轮力学模型,研究了夹紧力对运动方向和稳定性的影响。根据理论计算结果,在ADAMS中对爬杆机器人虚拟样机进行动力学仿真,实现了三种姿态下的稳定运动,验证了机器人设计及力学模型的正确性。     

基于DRGAN和支持向量机的合成孔径雷达图像目标识别

为解决SAR图像目标识别中样本缺乏和方位角敏感问题,提出了一种基于DRGAN和SVM的SAR图像目标识别算法。首先,采用多尺度分形特征对SAR图像进行增强,经过分割得到目标二值图像,基于Hu二阶矩估计目标的方位角。然后对估计得到的目标方位角进行量化编码,结合原始图像作为输入,对设计的DRGAN模型参数进行训练与优化。由于DRGAN中的深度生成模型将目标姿态与外观表示进行解耦设计,故可利用该模型将SAR图像样本变换到同一方位角区间。基于变换后的训练样本分别提取归一化灰度特征,利用SVM训练分类器。采用MSTAR数据集在多个不同操作条件下对提出的算法进行测试,实验结果表明,在带变体的标准操作条件下,能够达到97.97%的分类精度,优于部分基于CNN模型的分类精度,在4种扩展操作条件下的分类精度分别为97.83%,91.77%,97.11%和97.04%,均优于传统方法的分类精度。在SAR图像目标方位角估计存在一定误差的情况下,训练得到的GAN模型作为SAR图像目标旋转估计器,能够使得在不进行复杂样本预处理的前提下,仍然取得较高的SAR图像目标识别精度。     

基于SARIMA-GRNN-SVM的短期商业电力负荷组合预测方法

针对短期商业电力负荷预测准确性与周期难以满足现有电力现货市场的问题,提出了一种基于SARIMAGRNN-SVM(seasonal autoregressive integrated moving average-generalized regression neural network-support vector machine)的商业电力负荷组合预测模型。首先,对商业电力负荷变化的周期规律与随机因素的复杂影响进行了分析;然后,结合以上分析,选用SARIMA和GRNN为单一预测模型对商业电力负荷进行预测,并利用SVM进行组合,实现日前商业电力负荷预测;最后,通过某商业综合体的电力负荷数据进行验证。所提组合预测模型较单一预测模型拥有更优的预测精度与鲁棒性,可以为短期商业电力负荷预测提供借鉴。     

基于改进PSO-SVM的钻井液侵入储层深度预测

开展钻井液侵入储层深度预测,对于测井评价以及提高油井产能具有一定的现实意义。在分析钻井液侵入储层的机理和特征的基础上,提出了钻井液侵入储层的影响因素指标体系,建立了改进PSO-SVM的钻井液侵入储层深度预测模型,以塔里木塔中35口井为例进行了实证分析,并与传统BP神经网络和SVM模型预测结果进行了对比。研究结果表明:侵入深度与泥饼的渗透率、钻井液与储层压差以及侵入时间正相关,与储层孔隙度和钻井液粘度负相关,改进的PSO-SVM模型预测结果误差小,准确率高,能够用于钻井液侵入储层深度预测,具有广泛的应用前景。     

扩展稀疏表示稳健HRRP目标特征提取方法

为提高低信噪比下高分辨一维距离像目标识别性能，提出扩展稀疏表示的噪声稳健目标特征提取方法。本方法通过对稀疏表示的扩展，实现对目标高分辨一维距离像局部特征与全局特征的提取。其中，在训练阶段利用支持向量理论与字典学习原理，对特征提取字典进行优化提高特征向量的可分性。在测试阶段，利用因子分析模型匹配方法对去噪声字典进行优化，从而实现对噪声的有效抑制，保证了目标识别系统的噪声稳健性。利用实测数据对本方法性能进行测试，结果表明本方法可在低信噪比条件下有效地恢复目标高分辨一维距离像，并实现较高的识别正确率。     

广西乐业县岩旦—岩堂金矿床找矿模型及成矿预测

广西乐业县岩旦—岩堂金矿是滇黔桂"金三角"新发现的一处大型卡林型金矿,为探究该矿床深部及外围找矿潜力,明确下一步找矿方向,开展了详细的矿床地质特征研究,并结合土壤地球化学和地球物理勘探异常,建立了该矿床的找矿模型,从而对深部成矿进行预测。研究表明:矿床中分布的矿体主要为受断层破碎带控制的脉状矿体,其次为受地层控制的层状和似层状矿体;背斜核部的NEE向断层F_1是主要的控矿构造,矿体有沿断层向东侧伏的趋势;土壤地球化学异常以Au-As为主,沿断层分布,且断层东部地表以As异常为主,具矿体前缘晕特征;地球物理激电测深表明金矿体具有低阻高极化的特点,在断层东部的高极化异常明显增强,暗示存在隐伏金矿体。综合地质与物化探研究成果认为,沿NEE向F_1断层及其与近SN向断层的交会处具有较好的找矿潜力,为优先找矿靶区。     

基于多尺度卷积神经网络的玻璃表面缺陷检测方法

卷积神经网络在图像处理中的应用越来越广泛,针对图像处理技术手段在玻璃生产表面缺陷有效检验,分析了基于卷积神经网络的机器学习原理与方法,提出一种基于多尺度卷积神经网络(MCNN)图像识别模型,将MCNN模型在玻璃表面缺陷识别中进行应用实践研究,通过采用不同的算法模型和分类器进行对比实验,并运用混淆矩阵和F1值来评估学习器性能。实验结果表明,所设计的MCNN均比传统卷积神经网络(CNN)识别方法的准确率较高,尤其是在划痕缺陷和杂质缺陷图像的识别准确率上提高了较大的幅度,F1值均提高了5.0%以上,在玻璃缺陷检测的整体识别准确率上较优。     

基于SVM的煤与瓦斯突出预测模型及应用

为有效预测矿井内煤与瓦斯突出的危险程度,对其影响因素做了分析与探讨,分别构建了基于粒子群优化算法以及遗传算法支持向量机的煤与瓦斯突出预测模型,并且通过实例对两种模型预测的准确性进行了验证。分别利用单项以及综合指标、BP神经网络以及PSO-SVM模型、GA-SVM模型,对寺河煤矿二号井的突出区域进行预测比较。结果表明,PSO-SVM的预测模型不仅可以在小样本数据中预测出煤与瓦斯突出程度的大小,而且综合预测结果更加精确,其在解决矿井内煤与瓦斯突出的小样本数据中显示出更加强大、通用的性能。     

正则双胞参数间隔支持向量回归机

双胞参数间隔支持向量机在模式识别上拥有优秀的分类能力.然而,原始的TPMSVM模型仅针对二分类问题,并不能处理回归学习任务。为此,文章提出了一种新的正则双胞参数间隔支持向量回归机模型(RTPMSVR)。RTPMSVR模型的最终回归输出函数是间接通过寻找一对最优的非平行上界和下界参数间隔函数来构建的.通过继承TPMSVM模型的损失函数,RTPMSVR模型分别为上界和下界的参数间隔函数构建二次规划优化模型。此外,为提高模型的泛化能力,引入额外的正则项,进而保障模型解的唯一性.根据对偶理论,构建模型求解的最优KKT条件,并将RTPMSVR模型的原问题转换为对偶问题来求解。最后,通过对比实验,验证了该方法的有效性。