与地面环境协调的采煤方法研究

持续增长的煤炭生产对地面环境已造成了严重的采煤沉陷灾害。为了保护村庄等地面设施而采取的其他低回采率采煤方法又使得大量煤炭资源无法采出。基于此现状，从煤炭科技角度提出了注充宽条带跳采全采采煤方法。通过分析其概念、开采过程中煤岩体的受力情况、覆岩及地表移动变形规律，得出此采煤方法可以减缓地表下沉，有效保护矿区地表环境，解决煤矿深部化开采过程中的地面设施压煤问题。同时，对此采煤方法的深入研究，有益于进一步完善我国矿山开采的相关理论和技术。     

逆向工程中基于OpenGL的IGES曲面数据的显示实现

初始图形交换规范IGES是CAD/CAM系统间通讯的重要方式之一。文章概略了IGES文件的结构及IGES曲面实体数据的含义,给出了在逆向工程系统中识别提取IGES曲面实体数据和利用OpenGL对其显示实现的方法。     

高硫精矿配比对烧结矿性能的影响

 相比进口富矿粉,精矿品位较高,可广泛应用于铁矿石烧结工序。为了探究高硫精矿对烧结矿产质量的影响以及精矿中硫元素对烧结过程的影响,利用烧结杯试验装置进行了高硫精矿配比在25%~45%范围内的烧结杯试验。并通过微观结构、技术指标及冶金性能等方面表征了高硫精矿配比对烧结矿性能的影响。试验结果表明,精矿配比为25%时,烧结矿还原的界面反应条件较差,硅酸盐相阻碍了还原气体的扩散,致使烧结矿还原度为77.80%,软化开始温度为1 200 ℃,软熔带透气性能恶化。精矿配比为30%时,烧结利用系数提升至1.19 t/(m2·h)、垂直烧结速度达到22.22 mm/min。精矿配比为40%时,有效改善了烧结矿还原性能,恶化了低温还原粉化性能。精矿配比为45%时,烧结利用系数最高,为1.20 t/(m2·h),还原性能和低温还原粉化性能适宜。整体而言,在试验范围内,适当增加高硫精矿配比有利于提升烧结矿的还原性能和荷重软化熔滴性能,但精矿配比为45%时烧结矿的熔滴S特性值为281.02 kPa·℃,透气性能恶化。烧结烟气方面,精矿配比为40%时,烧结烟气的CO₂和NO_x含量较高,烧结过程氧化性气氛较强,降低了烧结矿中铁橄榄石等低还原性矿物含量,恶化了低温还原性能。烟气分析结果表明,高硫精矿烧结时硫元素基本都进入烧结烟气中,并未恶化烧结矿性能。     

交替测量式掘进机定位系统误差建模与分析

交替测量式掘进机定位技术在多次交替测量过程中会产生累计测量误差,从而影响掘进机定位精度。目前主要围绕单次测量误差产生原因、误差分布规律及误差减小方法展开研究,未有针对多次交替测量误差分布规律的研究成果。通过分析交替测量式掘进机定位系统工作原理及定位过程,构建了掘进机定位误差模型。采用作图法验证误差模型的正确性,结果表明作图法与误差模型得到的定位误差基本一致,二者仅存在10^-3数量级误差。通过误差模型研究了角度测量误差、测距误差、推移步长及掘进机与测量平台间距对掘进机定位误差的影响,结果表明:角度测量误差越大,定位误差曲线的曲率越大,即误差增大越快,且Y_T轴定位误差增大速度远大于X_T轴;测距误差对X_T轴定位误差影响较大,测距误差越小,初始X_T轴定位误差越小,但误差变化速度不受影响;随着推移步长增大,Y_T轴定位误差曲线曲率增大,即Y_T轴定位误差增大速度加快;掘进机与测量平台间距和推移步长对掘进机定位误差的影响基本是等效的。采用正交试验方法分析了各因素对掘进机定位误差的影响程度,结果表明:测距误差对X_T轴定位误差影响最大,其次为角度测量误差,推移步长和掘进机与测量平台间距影响最小且二者影响程度一致;角度测量误差对Y_T轴定位误差影响最大,其次为推移步长和掘进机与测量平台间距且二者影响程度一致,测距误差影响最小。通过极差分析方法得到了降低定位误差的最优参数组合。     

人和人工智能系统的概念形成过程研究

概念的形成是实现人工智能的基础,为研究人工智能系统中概念的形成过程,从人对事物形成概念的过程出发进行了研究。比较人和人工智能系统的概念形成过程得到了如下特点:人的优势在于能自主地确定对象表象和对象功能中的各种特征和划分等,能在对象、描述性定义和功能性定义对应关系不完备情况下通过思维和联想建立概念;人工智能系统的优势在于丰富的对象表象感知能力,对象的各种特征和划分的长期存储、运算和分析能力;而人工智能的概念形成过程存在的缺点基本与人的概念形成过程的优点对应。因此本文认为人工智能的概念形成过程必须关注因素的智能识别、功能的系统实践和人经验知识的有师学习。现有技术在缺乏人经验知识的情况下,人工智能系统不能自主建立概念和知识库,不能实现智能过程。     

Pythagorean fuzzy interaction power Bonferroni mean aggregation operators in multiple attribute decision making

The power Bonferroni mean (PBM) operator can relieve the influence of unreasonable aggregation values and also capture the interrelationship among the input arguments, which is an important generalization of power average operator and Bonferroni mean operator, and Pythagorean fuzzy set is an effective mathematical method to handle imprecise and uncertain information. In this paper, we extend PBM operator to integrate Pythagorean fuzzy numbers (PFNs) based on the interaction operational laws of PFNs, and propose Pythagorean fuzzy interaction PBM operator and weighted Pythagorean fuzzy interaction PBM operator. These new Pythagorean fuzzy interaction PBM operators can capture the interactions between the membership and nonmembership function of PFNs and retain the main merits of the PBM operator. Then, we analyze some desirable properties and particular cases of the presented operators. Further, a new multiple attribute decision making method based on the proposed method has been presented. Finally, a numerical example concerning the evaluation of online payment service providers is provided to illustrate the validity and merits of the new method by comparing it with the existing methods.     

基于并行约束规划的最大团识别研究

为提高大数据平台下大规模图例的最大团问题求解效率,提出一种基于并行约束规划的最大团识别算法.通过BMT图划分策略将一个复杂图例分割为若干个可独立计算的子图,并将其分配给Spark集群中的计算节点,每个计算节点采用约束规划方法对分割产生的子问题分别进行建模和求解,实现最大团问题的并行化处理.引入时间预测模型,设计基于任务运行时间预测模型的并行图划分方法,从而有效解决计算节点的负载均衡问题.实验结果表明,与基于BMC图划分策略的最大团并行识别算法相比,该算法具有更高的求解效率,可取得近似线性的加速比.     

基于DBN-XGBDT的入侵检测模型研究

在分布均匀的海量数据情况下,现有的入侵检测模型均具备良好的检测性能。但网络中产生的海量入侵数据的分布通常具有不均衡特点,而大多数检测模型针对罕见攻击类型的检测率低。针对上述问题,提出了一种深度信念网络（Deep Belief Networks,DBN）融合极限梯度提升（eXtreme Gradient Boosting,XGBoost）基于决策树算法（Decision Tree,DT）的入侵检测模型（DBN-XGBDT）。该模型将预处理后的数据集输入深度信念网络中,实现对入侵检测数据的降维处理,将得到的特征数据根据攻击类别任两类为一组,通过XGBoost算法逐一构建梯度提升树并细化为二分类;最后运用控制变量法和XGBoost内置的交叉验证进行调参,择优调整模型参数,对未知网络攻击实现有效检测。基于NSL-KDD数据集对DBN-XGBDT模型与XGBoost、DBN-BP、DBN-MSVM等优越模型进行了检测实验。实验结果表明,DBN-XGBDT模型较上述3个单一、混合分类模型的正确率分别提升2.07个百分点、1.14个百分点,对U2R的检测率提升至75.37%,平均误报率降至56.23%,为入侵检测处理不均衡数据且提高对罕见攻击的检测性能提供了新方法。     

遗传算法优化GMM的故障电弧识别方法

由于电气设备中正常电流信号和故障电流信号电流特性十分相似,故障电弧的正确识别十分困难,但非常重要。采用小波变换结合近似熵的方法对故障和正常电流特征进行提取,将特征用来训练混合高斯模型(GMM)。但GMM的参数估计方法期望最大(EM),极易局部收敛,因此,引进遗传算法,提出遗传优化的高斯混合模型(GA-GMM)。用经过特征提取后的特征数据来训练GA-GMM模型,模型根据其输入的数据特征得到最大的概率分类,即输出电流故障与否。大量实验表明采用GA-BMM能够快速准确地对故障电弧特征进行识别,达到了较好的识别效果,实现了准确识别故障电弧的操作。     

区间Pythagorean模糊交互式多准则决策模型

研究了权重信息部分已知,评价信息为区间Pythagorean模糊数的交互式多准则决策问题。利用区间Pythagorean模糊数得分函数,计算各方案的加权得分向量在Pythagorean模糊正理想点和Pythagorean模糊负理想点上的投影,构建基于方案满意度最大的非线性规划准则权重确定模型。根据决策者的主观偏好并结合现有客观信息建立单目标规划模型,通过对方案满意度的给定与修正来实现交互决策。通过算例说明模型及方法的可行性和有效性。