基于VMD和BSA-KELM的高陡边坡位移预测模型研究

边坡位移的时间序列曲线存在复杂的非线性特性,传统的预测模型精度不足以满足预测要求。为此提出了基于变分模态分解的鸟群优化-核极限学习机的预测模型,并用于河北省某水泥厂的边坡位移预测。该方法首先采用VMD把边坡位移序列分解为一系列的有限带宽的子序列,再对各子序列分别采用相空间重构并用核极限学习机预测,采用鸟群算法优化相空间重构的嵌入维度和KELM中惩罚系数和核参数三个数值,以取得最优预测模型。最后将各个子序列预测值叠加,得到边坡位移的最终预测值。结果表明：和KELM、BSA-KELM、EEMD-BSA-KELM模型相比,基于VMD的BSA-KELM预测精度更高,为边坡位移的预测提供一种有效的方法。     

浅谈高效节能环保性平台建设

我们整个的项目是围绕着倡节能,促环保进行的,将节能环保与现代技术相连接。拯救地球、保护环境、节约能源,是我们共同的责任。该平台可以清楚的看见个人或集体使用水电量的多少与变化,还可以通过记录将个人的使用与官方平均数据相比较,从而根据此来设置一些等级和奖励,来激励学生时刻节约资源的行动。我们进行了生态学,物理学,心理学等方面的了解和探究,但在网络平台搭建的过程中遇到了很棘手的问题,在IC卡的制作方面我们的能力和条件还不足以满足IC卡的制作,经过探讨我们转换思路使问题得到了比较好的解决。最后我们进行了项目的宣传工作,该项目取得了阶段性的良好进展。     

基于深度信念网络的列车故障音频诊断方法

铁路在交通运输行业有着举足轻重的地位，一旦列车发生故障将会导致严重的生命财产损失。由于列车发生故障的概率相对较低，因此难以捕获列车的故障样本。针对上述问题，提出了一种无监督学习的列车故障识别方法，通过检测列车音频信号来识别列车故障。该方法基于深度信念网络(DBN)，利用小波包分解提取检测信号的特征向量并将其作为DBN的输入，待网络充分训练后，由训练好的DBN识别当前列车的运行状况。现场监测实验结果表明，该方法能够在无监督的条件下有效识别列车故障，保障了列车的运行安全。     

顶板深孔爆破防治小煤柱冲击地压研究

以巴彦高勒煤矿1202回风巷小煤柱区域为研究对象,采用数值模拟、理论分析、钻孔窥视等方法,研究小煤柱区域应力分布状态及顶板断裂结构特征。对煤柱侧顶板卸压机制及其断裂结构进行了分析,结果表明:采空区顶板的断裂能够实现应力的转移和释放,较断裂前垂直应力降幅达32. 0%、应力峰值位置向实体煤侧偏移4 m,同时有效降低了拐角煤体与其他区域的应力差值。划分了小煤柱侧顶板断裂类型,结合全断面窥视结果,确定出深孔爆破技术治理煤柱侧坚硬顶板的爆破参数。顶板治理措施实施后,巷道变形量得到有效控制,降低了小煤柱区域冲击地压危险程度。     

基于能量检测的频谱感知算法性能研究

文章提出一种更精炼的能量检测算法(Improve Energy Detection,IED),该算法能避免瞬时信号能量下降造成的错误检测。实验结果表明,它能够在保持类似复杂度和计算成本水平的同时优于传统能量检测算法,精确判别信道中是否只存在噪声,有效地降低了能量检测的复杂度,提高了检测的可靠性。