AdaBoost算法在矿井突水水源的荧光光谱识别中的研究

矿井突水是影响矿井安全生产的重要因素之一,如果矿井发生突水,能够快速、准确地判别突水水源类型是治理矿井突水灾害保证生产安全的重要环节,因此,建立一个能够快速识别矿井突水水源的模型具有重要的意义。水化学分析法作为在传统的矿井突水水源类型识别方法里应用最为广泛的识别方法,通过获得相应的pH值、离子浓度、电导率等参数,然后利用这些参数来建立突水水源的类型识别模型对矿井突水的类型进行判别。针对这种传统矿井突水水源识别方法在判别时间上耗时长和识别准确率低等不足,鉴于LIF技术具有分析速度快、灵敏度高等优点,提出了将线性判别分析（LDA）算法作为弱分类器的自适应提升（AdaBoost）算法用于激光诱导荧光（LIF）光谱识别矿井突水水源的新方法。用于实验的九种水样（每种水样各取50个样本）由淮南地区某矿的老空水、灰岩水以及按不同比例混合的老空水与灰岩水的七种混合水构成。将405 nm激光器发射的激光打入被测水体并采集荧光光谱数据,然后对采集到450组荧光光谱数据进行分析,取其中360组光谱数据（每种水样各40组）用作训练集,取剩余90组光谱数据用作测试集。分别选取三种算法针对水样的激光诱导荧光光谱的分类进行了建模并将三种结果进行对比。首先利用决策树算法对光谱进行分类识别,在节点个数为8时决策树对测试集的分类效果最好,分类准确率达到91.11%。然后针对决策树算法分类效果的不足,利用决策树算法作为弱分类器的AdaBoost算法,当选取节点个数为9的决策树作为弱分类器的时,对训练集的分类准确率为97.78%。最后针对基于决策树的AdaBoost算法的泛化性能不足和为了获得更好的分类效果,提出了基于LDA算法作为弱分类器的AdaBoost算法,在设置迭代次数为150后对水样光谱数据分类准确率可以达到100%。通过实验结果可以发现,集成学习算法的分类能力比传统的分类算法对水样的光谱的分类识别能力更强,相较于同为九个节点的决策树算法,采用节点数为9的决策树作为弱学习器的AdaBoost算法对测试集的分类准确率从88.89%提升到了97.78%,对训练集的分类准确率从99.72%提升到了100%;然后可以发现相对于使用决策树作为弱分类器的AdaBoost算法,采用LDA算法作为AdaBoost算法的弱分类器对水样的光谱的测试集的分类准确率从97.78%提升到了100%,对训练集的分类准确率达到100%,具有更好的识别效果,并且具有更好的泛化性能。实验结果证明采用Adaboost-LDA算法为激光荧光光谱的模式分类用于矿井突水水源的判别和预警是可行且有效的。     

温度对矿井老空水激光诱导荧光光谱的影响

煤矿井下突水水源的快速判别对煤矿安全生产意义非常重大,激光荧光技术用于煤矿突水水源的识别打破了传统水化学方法耗时长的不足。矿井老空水是最常见也是危害最大的水源类型,而温度是影响物质特性的重要因素之一,研究激光诱导荧光检测老空水的温度特性有助于快速准确识别矿井突水水源,该研究具有重要的学术意义和实用价值。采用405 nm蓝紫光半导体激光器作为光源,设定激光器功率为120 mW,产生的激光经UV/Vis石英光纤由荧光探头照射待测水样,待测水样受激光激发产生荧光由荧光探头采集,通过石英光纤传输至光谱仪。以2017年3月在淮南市张集煤矿采集的老空水作为研究对象,首先过滤掉水样中的悬浮颗粒,随后将其放置在烧杯中,使用冰块使样品温度降低至5.0 ℃,随后放入恒温水浴锅中,使用铁架台固定荧光探头使其位于液面下1 cm处。在荧光光谱采集过程中,样品始终放置在恒温水浴锅中,通过水浴锅控制样品在10.0～60.0 ℃温度范围内获取荧光光谱,并讨论了温度变化对老空水激光诱导荧光光谱谱图、波峰位置及峰值、温度系数、谱图面积的影响。研究结果表明：随着温度升高,加速了分子运动,增加了分子间碰撞的概率,使得非辐射跃迁增加,老空水的荧光效率下降,荧光强度减弱,荧光光谱整体呈衰减变化主要集中在400～700 nm波段;老空水荧光光谱的两个波峰所对应的波长保持不变,并未随着温度变化发生漂移,两个波峰处(472和493 nm)荧光强度减弱最明显,同时荧光强度减弱与温度升高存在较好的线性关系,荧光强度和温度在472 nm处拟合相关系数r2为0.91,在493 nm处的拟合相关系数r2为0.963 36;472 nm处的温度系数在20.0 ℃时达到最小值0.34%,493 nm处的温度系数在20 ℃时达到最小值0.81%,两处的温度系数均在20.0 ℃时达到最低值即荧光光谱在20.0 ℃附近最稳定;温度升高,老空水在荧光光谱在400～700 nm波段与温度轴包围的面积逐渐减小,400～700 nm波段谱图所对应的面积与温度的拟合相关系数r2为0.975 39即面积的减小与温度的升高有良好的线性关系。通过研究矿井老空水的温度特性,矿井老空水的激光诱导荧光光谱在20 ℃最稳定,在该温度条件下采用激光诱导荧光技术进行矿井水源的识别效果最佳,同时利用老空水波峰以及面积与温度的线性关系进行温度补偿可以进一步提升利用LIF技术进行矿井突水水源识别的灵敏度和精度,该研究对实现矿井老空水的快速、准确判别具有重要意义。     

自动化立体仓库控制系统设计与实现

本文介绍的自动化立体仓库控制系统采用由一台工业控制计算机和PLC组成的集散型控制网络,实现了集监控调度、诊断、货位分配、堆垛机运行参数给定等功能于一体的自动化立体仓库控制系统和堆垛机控制系统以及立体仓库数据库管理系统。     

[（n-C4H9）2Sn（2-PyC02）2（H20）]的合成、晶体结构

利用三丁基氯化锡和2-吡啶甲酸在三乙胺存在下以1：1摩尔比反应，合成了非预期有机锡配合物[(n—C4H9)2Sn(2一PyC02)2(H20)]。通过元素分析、红外光谱、核磁共振氢谱和X-射线单晶衍射对其结构进行了表征。测试结果表明，该配合物为单体结构，锡原予呈七配住畸变五角双锥构型。通过配位水分子和游离羰基氧原子的氢键作用，形成了二维网状结构。     

优化神经网络在矿用电机轴承故障诊断的应用

为了解决矿用电机轴承故障难于快速诊断的问题,提出一种SCG优化的BP神经网络用于矿用电机轴承故障诊断以提高准确率和诊断速度,与无监督学习的聚类分析进行对比。实验采集到3种故障和正常运行共448组数据,采用三层小波包分析对数据集进行能量谱提取,然后采用SCG-BP神经网络进行故障诊断分析。结果表明,采用SCG-BP神经网络可以对矿用电机的故障进行快速诊断,准确率远远高于聚类分析,对比不同规模的SCG-BP神经网络,得出选用第一层4个神经元的神经网络收敛速度快,对矿用电机轴承的故障识别率能够达到100%,取得结果达到预期。     

论人力资源会计概念结构

人力资源会计是会计学中一个正在发展中的分支.本文从人力资源会计的发展历程谈起,在评述人力资源会计概念的基础上,就我国人力资源会计的假设、目标、对象及我国人力资源会计的计量和披露等问题阐述了自己的具体观点.     

基于吊杆损伤的斜靠式拱桥动力特性分析

根据平顶山市城东河路湛河桥主桥———斜靠式拱桥的结构特点,借助M IDAS/C ivil桥梁通用有限元程序,建立该桥的空间精细FEM,对不同吊杆损伤工况进行结构动力特性分析。通过与桥梁完好状态下的桥梁动力特性对比,可以得出结论:吊杆损伤对斜靠式拱桥的低阶自振频率总体影响较小,但对桥梁整体竖向自振频率和扭转自振频率相对影响较大,吊杆损伤导致桥梁竖向和扭转自振频率降低;主拱比稳定拱吊杆损伤对该桥的自振频率影响敏感,跨中比1/4跨处吊杆损伤对该桥自振频率影响大。     

{(PhCH2)2Sn[2,6-(O2C)2C5H3N](CH3OH)}2 的合成及结构

合成了七配位二聚体{(PhCH2)2Sn[2，6-(O2C)2C5H3N](CH3OH)}2。通过元素分析、红外光谱和核磁共振氢谱对其结构进行了表征。用X-射线单晶衍射测定了该化合物的晶体结构。化合物中两个锡原子呈七配位畸变五角双锥构型。     

谁在指挥鸟群？——简单的原则造就复杂的结果

鸟群、鱼群和昆虫群等动物往往可以表现出复杂而协调的行为,就像一支乐队,有一个无形的指挥者在指挥。究竟是什么让动物群体产生这样有序的运动呢？原因可能很简单。     

无监督学习AE和MVO-DBSCAN结合LIF在煤矿突水识别中的应用

快速准确的识别突水类型和突水来源对煤矿安全开采具有重要意义,激光诱导荧光（LIF）技术在检测中具有快速性和灵敏性,将LIF应用于煤矿突水的检测,再结合模式识别算法,可快速识别出突水来源。目前用于识别水样光谱的算法过于依赖预先建立的水样光谱数据库,当突水水源不在该库中时,易引发误识别。无监督学习算法DBSCAN在聚类时不需样本集的标签和类别信息,能降低对未知类别的误识别,因此把DBSCAN算法用于突水的激光诱导荧光光谱识别,并将MVO用于DBSCAN的参数寻优,省去繁琐的人工参数寻优过程。实验中,从谢桥煤矿采水点获取四个水样,利用像素为2 048的USB2000+光谱仪采集水样的荧光光谱,每种水样采集30组光谱数据。首先,利用无监督学习算法自动编码器(AE)对原始光谱数据降维,以减少光谱数据中冗余信息对聚类的影响,设计的AE的结构是介于浅层和深层之间的多层网络模型,可将原始光谱数据降到2维;为使降维模型具有稀疏性,在传统的AE算法中加入一个Dropout层,由实验可知,加入Dropout层后的降维模型具有较快的收敛速度。将多元宇宙优化(MVO)算法用于DBSCAN参数寻优,在参数寻优过程中,DBSCAN对降维后的水样光谱识别率最高为97.5%,此时参数所对应的取值范围为[0.023 66 0.040 65];为验证AE对水样光谱数据降维的有效性,把归一化后的未降维的光谱数据用于DBSCAN聚类识别,DBSCAN对原始水样光谱的识别率最高为95%,比降维后的后水样光谱识别率低了2.5%,结果表明,使用AE降维光谱数据,可提高DBSCAN对不同光谱的识别率。最后,用监督学习算法K最近邻(KNN)识别降维后的水样光谱,将识别结果和无监督学习算法DBSCAN的识别结果对比,其中训练集选用三种水样,测试集使用四种水样;在测试集中,监督学习算法只能准确地识别训练集所包含的水样类别,但把训练集没有的类别全部识别错误,而DBSCAN能准确的识别出训练集中没有的水样光谱。非线性降维算法AE能实现对高维的水样光谱数据降维,把MVO-DBSCAN用于煤矿突水水源的LIF光谱识别,可有效降低因矿井水源光谱数据库建立不完备而引起的误识别。