长九神山灰岩矿开采爆破块度预测研究

长九神山灰岩矿是世界上生产规模最大的砂石骨料场,爆破块度直接影响矿山的生产效益.结合现场实际生产,在两个岩体节理发育的采区共进行了11次爆破试验.基于Kuz-Ram爆破块度预测模型计算了爆破后的平均块度,发现平均块度预测计算值与爆破后实测值差异巨大.进而研究了计算值与实际值差距较大的原因,结果表明:岩体结构中节理发育程度、岩石性质是影响块度分布的主要因素,修正的Kuz-Ram模型岩石系数A的计算严重影响预测结果,建议在计算岩石系数A时,不考虑岩石密度的影响.通过现场4次验证性爆破试验数据分析显示,基于Kuz-Ram模型并使用建议修正方法得到的岩石系数,计算得到的平均块度预测值准确性明显提升,相对误差均在10％以下,预测准确性大幅提高.     

稠油及其组分结构参数和红外光谱的考察

将委内瑞拉稠油进行四组分的分离。通过元素分析、核磁共振等分析方法研究了委内瑞拉稠油及其组分的基本性质及结构参数,对稠油及其组分的平均结构参数进行分析计算。结果表明,委内瑞拉稠油数均相对分子质量的大小顺序是：沥青质〉胶质〉芳香分〉饱和分,沥青质的数均相对分子质量要远远大于其他3个组分的数均相对分子质量。委内瑞拉稠油的结构参数CT、HT、CA、RA、RT、RN、CN、C.I.大小顺序均为：沥青质〉胶质〉芳香分〉饱和分。委内瑞拉稠油的饱和分红外谱图在2 800～3 100cm-1和1 350～1 390cm-1出现强吸收峰,属于甲基和亚甲基的特征峰。羟基、羰基等基团的存在使委内瑞拉稠油胶质与沥青质分子之间及沥青质本身分子形成氢键。     

塔里木稠油及其组分中元素的分布和红外光谱分析

以塔里木3种稠油为原料,对稠油进行四组分的分离,测定了稠油及各组分的C、H、S、N及金属镍、钒、钙、铜、铁、钾、钠和铅的含量,研究了各金属在稠油组分中的分布,并进行了红外光谱分析。结果表明,相同条件下,3种稠油及其四组分在C、H元素的含量上差别不大,N元素富集在胶质和沥青质中,S元素主要存在于芳香分、胶质及沥青质中,3种稠油的饱和分中均含有微量的N、S元素。在3种稠油中,各金属元素在饱和分和芳香分中含量很低,随着组分的变重,含量急剧增加。3种稠油中的金属元素主要富集在沥青质中,其次是在胶质中。3种稠油饱和分的官能团种类几乎无差别,稠油的饱和分红外谱图在2800～3100 cm -1和1350～1390 cm -1出现甲基和亚甲基的强吸收峰。     

YOLOv3融合图像超分辨率重建的鲁棒人脸检测

复杂场景中的人脸检测由于受到图像质量、人脸尺度和光线等因素影响,精准地定位小人脸、避免漏检、误检是一件极具挑战性的任务。提出了一种基于YOLOv3、融合图像超分辨率重建技术的两级人脸检测模型SR-YOLOv3。针对场景中小人脸目标的漏检问题,利用K-means++算法对先验框进行聚类分析,设置更小尺寸的先验框来捕获小人脸信息;针对模糊小尺度人脸的误检问题,采用Darknet53作为主干网络,融入SRGAN图像超分辨率重建模块对低分辨率的人脸进行数据增强,形成一个可以提高低分辨率小人脸检测性能的检测网络。利用WIDERFACE数据集对SR-YOLOv3模型进行训练和测试,并与MTCNN、CMS-RCNN、HR、S3FD算法相比,验证了提出的模型具有更高的检测精确度,尤其是在hard子集上的性能提升最为明显。SR-YOLOv3能够有效地利用人脸信息,精准检测出复杂场景中的难检测人脸目标,具有很好的鲁棒性。     

基于正则互表示的无监督特征选择方法

针对高维数据含有的冗余特征影响机器学习训练效率和泛化能力的问题,为提升模式识别准确率、降低计算复杂度,提出了一种基于正则互表示（RMR）性质的无监督特征选择方法。首先,利用特征之间的相关性,建立由Frobenius范数约束的无监督特征选择数学模型;然后,设计分治-岭回归优化算法对模型进行快速优化;最后,根据模型最优解综合评估每个特征的重要性,选出原始数据中具有代表性的特征子集。在聚类准确率指标上,RMR方法与Laplacian方法相比提升了7个百分点,与非负判别特征选择（NDFS）方法相比提升了7个百分点,与正则自表示（RSR）方法相比提升了6个百分点,与自表示特征选择（SR_FS）方法相比提升了3个百分点;在数据冗余率指标上,RMR方法与Laplacian方法相比降低了10个百分点,与NDFS方法相比降低了7个百分点,与RSR方法相比降低了3个百分点,与SR_FS方法相比降低了2个百分点。实验结果表明,RMR方法能够有效地选出重要特征,降低数据冗余率,提升样本聚类准确率。     

牛顿-软阈值迭代鲁棒主成分分析算法

针对鲁棒主成分分析（RPCA）问题,为了降低RPCA算法的时间复杂度,提出了牛顿-软阈值迭代（NSTI）算法。首先,使用低秩矩阵的Frobenius范数与稀疏矩阵的l₁-范数的和来构造NSTI算法的模型;其次,同时使用两种不同的优化方式求解模型的不同部分,即用牛顿法快速计算出低秩矩阵,用软阈值迭代算法快速计算出稀疏矩阵,交替使用这两种方法计算出原数据的低秩矩阵和稀疏矩阵的分解;最后,得到原始数据的低秩特征。在数据规模为5 000×5 000,低秩矩阵的秩为20的情况下,NSTI算法和梯度下降（GD）算法、低秩矩阵拟合（LMaFit）算法相比,时间效率分别提高了24.6%、45.5%。对180帧的视频前景背景进行分离,NSTI耗时3.63 s,时间效率比GD算法、LMaFit算法分别高78.7%、82.1%。图像降噪实验中,NSTI算法耗时0.244 s,所得到的降噪后的图像与原始图像的残差为0.381 3,与GD算法、LMaFit算法相比,时间效率和精确度分别提高了64.3%和45.3%。实验结果证明,NSTI算法能够有效解决RPCA问题并提升RPCA算法的时间效率。     

常压蒸馏塔塔顶腐蚀原因分析与防护建议

针对胜华教学实验厂北常减压蒸馏装置常压塔顶腐蚀状况，分析了造成塔顶腐蚀的原因，并提出了3条有效防护措施。     

基于AdaBoost-SVM级联分类器的行人检测

针对实时行人检测中AdaBoost级联分类算法存在的问题,改进AdaBoost级联分类器的训练算法,提出了Ada-Boost-SVM级联分类算法,它结合了AdaBoost和SVM两种算法的优点.对自定义样本集和PET图像库进行行人检测实验,实验中选择固定大小的窗口作为候选区域并利用类Haar矩形特征进行特征提取,通过AdaBoost-SVM级联分类器进行分类.实验结果表明AdaBoost-SVM级联分类器的分类器准确率达到99.5％,误报率低于0.05％,优于AdaBoost级联分类器,训练时间要远远小于SVM分类器.