时序InSAR技术在大型滑坡监测中的应用

综合PS-InSAR和SBAS-InSAR两种时序In SAR技术,对青海省乐都区高家湾滑坡地表变形过程进行遥感监测与分析。通过SBAS-InSAR技术获取该滑坡2003-2010年地表变形数据,分析历史变化情况。利用PS-time工具分析高家湾滑坡2014-2017年PS-InSAR获得的地表变形监测数据,将滑坡地表形变过程划分为线性和非线性,重点分析了地表形变速率、累积位移突变阶段和主裂缝形变情况。研究表明:2003-2010年期间该滑坡地表活动较为稳定,2014-2017年期间该滑坡发生了明显的地表沉降变形且变化趋势较为强烈,与滑坡区实地勘测结果情况一致,较好的证明时序InSAR技术用于滑坡监测的有效性。     

基于多源数据与K-means聚类的地域特征关联纸质包装色彩应用研究

以哈尔滨中央大街景区为研究对象,采用OSM开源地图平台、百度API平台配合ArcGIS10.6平台、Python平台获取数据,通过Matlab平台下DeepLabV3+模型对获得的街道图像进行语义分割,通过K-means聚类算法以HSB色彩空间为模型基准,绘制色彩散点聚类模型、色彩连续性模拟模型与片段色彩聚类模型对中央大街景区进行可视化分析,并提出地域特征关联纸质包装设计的色彩应用建议。多源数据结合K-means聚类法可以在短时间内相对快速、精准、科学完成纸质包装色彩提取与应用策略制订,其结果能够体现地域文脉特色,提升地域特色包装辨识度,有助于实现地域特征关联纸质包装色彩方案优选,为纸质包装色彩应用提供参考。     

基于模糊C均值聚类的岩性识别研究

文章讨论了模糊C均值聚类在储层岩性识别方面的运用,利用岩性地质特征不同,通过对比分析不同测井曲线的岩性响应特征以及岩芯分析资料,运用模糊C均值聚类实现对岩性的有效识别,结果表明,模糊C均值聚类在处理岩性数据集过程中的快速准确性。     

基于高光谱成像和外观特征的祁门工夫红茶质量数字化评判

研究提出基于高光谱成像（Hyperspectral imaging, HSI）结合化学计量学算法对七个等级的祁门工夫红茶样品外观质量评判。利用HSI系统采集样品原始图像,提取其9个色泽特征。利用灰度共生矩阵和灰度统计矩阵等图像纹理特征提取算法获得66个纹理特征数据。将图像色泽和纹理数据进行特征融合,以融合数据作为构建模型的特征向量。利用支持向量机、随机森林和最小二乘支持向量机（Least squares support vector machine,LSSVM）算法结合特征融合数据,构建祁门红茶样品的等级识别模型。实验显示,基于融合特征的LSSVM模型的判别精度最高,为94.85%。结果表明,HSI结合色泽、纹理特征和化学计量学方法作为一种快速和有效的策略,可以成功地应用于祁门工夫红茶等级质量的准确判别。     

基于自编码的长流程造纸过程断纸故障识别

断纸故障造成的非预期停机对生产效率影响较大,预测和识别断纸故障对造纸工业具有重要意义。本研究提出了一种基于堆栈自编码器（stacked autoencoder,SAE）和Softmax分类器的断纸故障分类和识别方法,通过相关性分析与机理分析相结合的方式筛选出关键过程变量,并采用聚类方法对断纸故障进行类型标记。建立并训练SAE模型以提取数据中的深度特征,并基于提取后的特征,可通过Softmax分类器识别断纸故障。以造纸厂历史数据进行验证,得到该模型的断纸故障分类准确率为96.2%,精准率为93.1%,召回率为91.9%,结果优于其他模型,说明基于SAE特征提取的分类模型可以较好地实现断纸故障识别。     

基于脂肪酸组成的进口大豆鉴别技术研究

目的建立进口大豆及进口大豆掺假鉴别方法。方法采用气相色谱-质谱法测定进口大豆、国产大豆和掺假大豆的脂肪酸组成,利用主成分分析、系统聚类分析对进口大豆和国产大豆样品进行了聚类分析,随机森林方法建立了进口大豆与国产大豆、掺伪大豆与国产大豆间的判别模型。结果进口大豆与国产大豆油酸、亚麻酸、棕榈酸、棕榈油酸等脂肪酸相对含量存在极显著差异(P0.01);主成分分析和系统聚类分析结果显示利用脂肪酸组成可实现进口和国产大豆正确聚类;随机森林交互检验预测正确率均为100%,模型可有效区分进口大豆与国产大豆、掺假大豆与国产大豆间。结论大豆脂肪酸组成结合主成分分析、随机森林等化学计量学方法,建立的判别模型可有效鉴别进口大豆及其掺假,为保护我国大豆产业和保障消费者合法权益提供了重要的技术支撑。     

基于近红外光谱技术的六大茶类快速识别

为构建高质量的六大茶类识别模型,本研究中收集了370份样品,通过采集其近红外光谱（near-infrared spectroscopy,NIRS）,结合光谱预处理、特征提取以及数据挖掘分类器算法,建立六大茶类快速识别模型。结果表明：1）支持向量机（support vector machine,SVM）与随机森林（random forest,RF）分类器皆适于六大茶类快速识别模型的构建;2)SVM分类器更适于结合原始光谱（original spectrum,OS）建模,预处理易使基于该分类器建立的模型鉴别性能减弱;3）随机森林（RF）分类器更适用于预处理后光谱建模,所得模型较OS模型在识别正确率（recognition accuracy,RA）及受试者工作特征曲线下面积（area under the curve,AUC）均得到明显提升;4）特征提取中线性判别分析（linear discriminant analysis,LDA）算法表现最好,所得模型的RA较OS模型明显提升,其中最佳模型OS-LDA-SVM的RA为100.00%,AUC为1.00,识别正确率高、泛化能力强、模型性能优异,...     

红外光谱快速识别食用植物油种类的研究

为实现食用植物油种类的快速无损识别,为公安实战中打击“食药环”犯罪提供参考,借助衰减全反射-傅里叶变换红外光谱技术对不同类别、品牌食用植物油进行了多层次分类识别工作。采用标准正态变换(SNV)和一阶导数预处理消除基线和其他背景干扰,使得重叠峰发生分离,从而提高检测的分辨率和灵敏度,利用竞争性自适应重加权算法(CARS)提取特征波长,结合基于布谷鸟搜索算法优化的极限学习机(CS-ELM)模型对不同种类和品牌的食用植物油进行分类识别,同时对比随机森林模型与CARS-CS-ELM融合模型在食用植物油快速分类检测方面的准确率。结果表明,基于CARS-CS-ELM融合模型对3类植物油样本总体进行分类,其分类准确率达到85.19%,其中小磨香油、花生油、玉米油样本训练集的品牌分类准确率依次为92.5%、100%、96.7%,测试集品牌分类准确率均为100%,而随机森林模型的9个品牌食用植物油分类准确率仅为80%。综上,CARS-CS-ELM融合模型对食用植物油快速分类识别效果较好,可为食用植物油的无损快速检验提供一定的参考与借鉴。     

基于改进层次分析法的特殊体型样板识别

针对传统层次分析法的缺陷,提出结合因子分析、聚类分析的改进层次分析方法,应用到特体样板识别中。首先,通过因子分析确定各级指标的影响因素及其权重系数。然后,采用K-means聚类分析将特体样板聚为臀部、胸部和腹部等3类典型样板。最后,运用层次分析法确定各指标的权重,构建了包括6个二级指标、13个三级指标、3个四级指标的特体样板递阶层次结构模型。随机选取3个样本进行实证研究,以因子分析中提取的5个主成分为聚类指标,以K-means方法进行聚类,采用特体样板递阶层次结构模型识别被测样本与臀部、胸部、腹部样板的隶属度。结果表明,该方法可有效地表征特体样板的变异程度并识别所属的样板类别。     

苗尾水电站库区滑坡地表变形及成因机制分析

大型水电站库区不仅容易诱发地震,还易产生不同程度的滑坡。滑坡的产生往往伴随着连续降雨天气,提前预防可以有效减小损害。该文以实际滑坡体为工程背景,结合区域水文地质条件及监测数据,现场地表及深部位移变形为之验证,分析水电站库区滑坡的成因机制及形成机理。结果表明,水库塌岸是滑坡体产生变形的一个诱因,长期降雨是诱发滑坡形成的主要影响因素。为滑坡预防及治理提供一定的借鉴。