地方铁路龙口进港专用线煤田采空区塌陷分析

采空区塌陷是矿区普遍存在的地质灾害，而在采空区上修筑铁路，其稳定性情况对线路的安全至关重要。针对龙口进港专用线煤田采空区的特点，参照有关理论对采空进行了理论分析，并提出了修建铁路的措施意见。     

基于不平衡数据样本特性的新型过采样SVM分类算法

针对传统采样方式准确率与鲁棒性不够明显,欠采样容易丢失重要的样本信息,而过采样容易引入冗杂信息等问题,以UCI公共数据集中的不平衡数据集Pima-Indians为例,综合考虑数据集正负类样本的类间距离、类内距离与不平衡度之间的关系,提出一种基于样本特性的新型过采样方式.首先对原始数据集进行距离带的划分,然后提出一种改进的基于样本特性的自适应变邻域Smote算法,在每个距离带的少数类样本中进行新样本的合成,并将此方式推广到UCI数据集中其他5种不平衡数据集.最后利用SVM分类器进行实验验证的结果表明:在6类不平衡数据集中,应用新型过采样SVM算法,相比已有的采样方式,少(多)数类样本的分类准确率均有明显提高,且算法具有更强的鲁棒性.     

微机在DW2宽波段透反仪上的应用

本文介绍微机在光学检测仪器中的应用,重点叙述DW2宽波段透反仪微机部分的功能与设计。     

基于ANFIS-IGA的Fuzzy-PID系统对切削用量的控制研究

针对传统Fuzzy-PID控制系统控制精度不高,响应速度较差,以及应用专家整定法需要大量经验等缺点,文章选取切削用量作为控制对象,提出了基于ANFIS-IGA的改进算法,设计了基于该改进算法的CJK6132A经济型数控机床切削用量控制系统,以达到对切削用量的精良控制。MATLAB仿真表明:与传统Fuzzy-PID系统相比,该系统不但具有更好的动态特性,而且具有更好的控制精度与鲁棒性,同时又节省了专家整定法中收集数据的时间。     

针对不平衡数据的PSO-DEC-IFSVM分类算法

针对不平衡数据集下,传统的模糊支持向量机（Fussy support vector machine,FSVM）算法分类效果不够明显,引入的参数未做优化等缺点,本文提出一种基于粒子群算法（Particle swarm optimization,PSO）优化的改进模糊支持向量机算法,即PSO-DEC-IFSVM算法。该算法首先综合考虑训练样本到其类中心的间距、样本周围的紧密度以及样本的信息量设计模糊隶属度函数,然后将此改进的模糊支持向量机与不同惩罚因子(Different error costs, DEC)算法相结合得到DEC-IFSVM算法,最后利用粒子群算法对DEC-IFSVM算法引入的参数进行优化。实验证明：对于UCI公共数据集中的Pima等6种不平衡数据集,相比已有的FSVM及其改进算法,PSO-DEC-IFSVM算法具有更好的正负类分类效果以及更强的鲁棒性。     

基于CEEMDAN-IGWO-SVM的轴承故障诊断研究

为了提高支持向量机(SVM)在轴承故障诊断时的准确率和识别效率,提出了一种基于具有自适应白噪声的完整集成经验模态分解方法(CEEMDAN)、改进灰狼优化算法(IGWO)和支持向量机(SVM)相结合的故障诊断方法。首先用CEEMDAN与Shannon熵对振动信号消噪、分解,获得典型故障的敏感信号;其次,将粒子群算法(PSO)惯性权重w与粒子“飞行”速度v引入灰狼优化算法(GWO),得到IGWO,通过IGWO算法优化SVM得到诊断模型的最优参数,增强SVM的学习能力和泛化能力;最后,利用美国西储大学的轴承试验数据验证优化模型的有效性。结果表明,IGWO算法优化SVM的模型可以准确、高效地对轴承进行故障诊断;与GA、PSO、和GWO算法优化的SVM模型相比,该方法的故障诊断准确率和识别效率更高。     

沙漠地区的几点岩土工程问题

介绍了沙漠地区工程勘察设计中应注意的问题。     

基于Petri网的表贴产品质量溯源建模

表贴产品生产通常需要经过多阶段加工,加工过程中的质量信息参数多样且在多道工序间传递累积,且存在耦合关系。为了确保表贴产品的产品质量,提出了一种基于Petri网的质量溯源模型。首先分析实际企业车间信息、质量特征信息与工艺流程信息。然后对制造过程进行工序模块化建模,对每一道工序进行层次化建模,对产品制造过程中易导致产品质量失控的关键加工参数进行统计。同时提出质量评价指标的表达式,对导致关键加工质量源、加工工序及关键设备节点进行量化;最后以某企业表贴加工过程为研究对象,验证了模型的有效性,该模型可溯源加工过程中的关键薄弱节点及其质量源,确定需重点监测与改进的加工工序及设备节点。     

基于失衡样本特性过采样算法与SVM的滚动轴承故障诊断

针对传统支持向量机(SVM)算法在滚动轴承故障诊断领域中,对失衡数据集效果不佳、对噪声敏感以及对本身参数依赖较大等缺点,提出一种基于样本特性的过采样算法(OABSC)。该算法利用改进凝聚层次聚类将故障样本分成多个簇;在每个簇中综合考虑样本距离、近邻域密度对"疑似噪声点"进行识别、剔除,并将剩余样本按信息量进行排序;紧接着,在每个簇中采用K^*-信息量近邻域(K^*INN)过采样算法合成新样本,以使得数据集平衡;模拟3种不同失衡比下的轴承故障情况,并采用粒子群算法优化了SVM分类器的参数。经试验证明:相比已有算法,OABSC算法能更好地适用于数据呈多簇分布且失衡的轴承故障诊断领域,拥有更高的G-mean值与AUC值以及更强的算法鲁棒性。