基于SVM的固化土无侧限抗压强度模型

为实现较少试验次数下固化土无侧限抗压强度(qu)的准确预测, 提出了基于支持向量机(SVM)的固化土qu的预测模型. 以固化剂各组分掺入比、龄期、初始含水量、固化剂掺量等因素为输入量, 固化土的qu作为输出量, 以径向基为核函数, 采用网格搜索法和交叉验证法进行参数优化, 建立了基于SVM的固化土qu的预测模型. 算例分析表明: 该模型适用于任意条件下固化土qu的精确预测, 且在较小试验成本下实现与响应面法相当的预测精度.     

PSO-LSSVM对LIBS定量分析精度的提高

针对土壤定量分析受基体效应影响大，LIBS定量分析精度不佳等问题，采用粒子群算法对LSSVM进行优化，提高模型的精确度。选取Pb Ⅰ 405.78 nm和Cr Ⅰ 425.44 nm作为分析谱线进行分析。采集十二个不同浓度样品的特征光谱，每个浓度样品在不同点采集20组数据，将其中17组数据设为训练集，3组数据设为预测集，用LSSVM和PSO-LSSVM两种方法建立定标模型。对比两种模型的拟合相关系数（R2）、训练集均方根误差（RMSEC）和预测集均方根误差(RMSEP)。由于自吸收效应的影响，随着浓度的增加，预测值逐渐低于实际值，LSSVM定标模型的拟合程度较低，无法达到实验要求，模型性能有待提高。利用粒子群算法对LSSVM的模型参数惩罚系数和核函数参数进行优化，得到最佳的参数组合，Pb元素为(8 096.8, 138.865 7)，Cr元素为(4 908.6, 393.563 5)，用最佳的参数组合构建LSSVM的定标模型。相比于LSSVM，PSO-LSSVM定标模型的精确度更高，Pb和Cr元素的R2提高到了0.982 8和0.985 0，拟合效果明显提升。Pb和Cr元素的训练集均方根误差由0.026 0 Wt%和0.027 2 Wt%下降到0.022 4 Wt%和0.019 1 Wt%，预测集均方根误差由0.101 8 Wt%和0.078 8 Wt% 下降到0.045 8 Wt%和0.042 0 Wt%，模型的稳定性进一步提高。说明PSO-LSSVM算法能够更好地降低土壤基体效应和自吸收效应带来的影响，提高分析结果的精确度与稳定性。     

On weighting two criteria with a parameter in combinatorial optimization problems

Two criteria in a combinatorial problem are often combined in a weighted sum objective using a weighting parameter between 0 and 1. For special problem types, e.g., when one of the criteria is a bottleneck value, efficient algorithms are known that solve for a given value of the weighting parameter.     

缆机起重作业驾驶员的操作行为可靠性研究

缆机是大坝浇筑过程中的主要运输设备之一,缆机驾驶员操作水平直接关系缆机起重作业安全.为有效提高缆机起重作业驾驶员操作行为可靠性,预防起重作业安全事故,针对缆机起重作业周期性多维运动的特点,分解驾驶员操作流程;剖析操作行为失误,建立驾驶员行为模式;从时间角度量化操作流程,计算缆机驾驶员操作行为响应失误概率;构建操作行为可靠性分析模型,定量表达操作行为可靠性,分析人因失误对缆机起重作业安全事故的影响.结果表明,吊具与吊罐对接、混凝土卸料等作业过程的缆机驾驶员操作行为可靠性低,需加强安全培训,严格考核制度,从根本上提高缆机驾驶员操作行为的可靠性,以期提升缆机生产效率,实现预防安全事故的目标.     

几种吊钩中的力学问题探析

对吊装机械中使用的几种吊钩在吊装重物时的受力情况进行分析和比较,说明了各自的特点及其应用.     

基于改进极根学习机的回转窑煅烧带温度预测方法

针对传统算法预测回转窑煅烧带温度存在精度低、速度慢的问题,提出了基于改进极限学习机(ELM)的回转窑煅烧带温度预测方法。对ELM输入权值矩阵定义了变换系数,采用黄金分割法在给定区间内搜寻变换系数的最佳值,改进了ELM网络参数的确定方式,弥补了随机确定输入权值并且不作调整的缺陷,在保证ELM训练速度的前提下提高预测精度、减小模型随机性。实验结果表明,改进的ELM预测精度高、训练速度快、模型性能优,可满足工况恶劣的回转窑的生产需要。     

多组件学习器实现有机分子沸点的精准预测

沸点(BP)是有机分子液体的基本物理化学量, 也是化学工业生产中的重要参数. 有机分子的沸点由分子结构决定, 呈现复杂的结构-沸点关系, 函数法(Function Method)、基团贡献法(Group Contribution Method)等传统方法无法应对复杂多样有机分子结构的预测, 应用范围狭窄, 预测精度低. 本研究中, 我们利用基于人工神经网络(ANN)和支持向量机(SVM)的多组件学习器实现有机分子沸点的精准预测. 我们构建了基于可解释性描述符的ANN、基于相关性描述符的ANN及基于复合分子指纹的SVM三个异质模型, 并通过包含4550个各种类别的有机分子沸点的数据集进行训练得到了三个异质性学习器, 最后集成三个学习器对有机分子沸点进行预测. 相比于传统方法和此前的定量结构性质关系(QSPR)模型, 多组件模型结合了三种模型的优点, 展现出很好的预测精度和泛化能力以及低的过拟合, 实现了对多种类型有机分子的沸点的有效预测.     

高中学业水平考试试题难度模型建构*

利用主成分分析方法厘清试题难度影响因素之间的关系,进而从问题表征、问题解决和结果输出等3个维度上建立了影响高中学业水平考试试题难度的主要因素。通过编写高中学业水平考试测试题进行实证研究,建立影响因素常见呈现类型的难易赋值规则。选用机器学习的线性回归方法建构试题难度分析模型,并使用高考化学江苏卷部分试题的实测难度数据进行校验,模型难度预测值和高考难度实测值具有较好的拟合度,表明模型具有较好的应用价值和推广意义。