大规模训练集的快速缩减

为了进一步减少支持向量机的训练时间,提出了一种基于类别质心的训练集缩减算法.该算法根据样本的几何分布去除训练集中大部分非支持向量.对样本规模在104数量级的数据集进行了训练实验,结果显示,在基本不损失分类精度的情况下,训练时间比直接用SMO(序贯最小优化)算法减少30%,说明该算法能有效地提高支持向量机的训练速度.     

基于支持向量机的励磁涌流识别算法

为提高变压器差动保护识别励磁涌流的能力,将支持向量分类机应用于励磁涌流识别,提出了一种基于支持向量分类机的变压器励磁涌流和内部故障识别新方法.基于励磁涌流和内部故障电流的特点,充分考虑电流互感器饱和的特点提取电流互感器二次侧间断角和二次谐波等特征,并对励磁涌流和内部故障电流的识别方法进行了分析;用EMTDC程序进行仿真,生成训练样本和测试样本,对支持向量机进行了训练和测试.结果表明,应用支持向量分类机对励磁涌流和内部故障进行识别,识别率平均可达99%以上.     

路面材料剪切试验仪的开发与应用

针对沥青路面层间推移问题,设计开发了路面材料剪切仪用于层间抗剪强度测试。介绍了仪器的设计原理与构造及使用方法,通过具体试验验证了其测试性能的可靠性,证明其可以用于对路面结构层、桥面铺装层的层间抗剪切的试验,为评价路面层间处理工艺措施提供了有效的手段。     

碎石桩施工质量控制

结合碎石桩在云南某高速公路软基处理中的应用,从机械设备、施工方法、应用效果等方面介绍了震动沉管碎石桩、人工挖孔格栅碎石桩施工技术,并探讨该技术的优点、存在问题,同时对其推广提出了一些建议。     

复合地层顶管机刀盘中心驱动液压系统的设计与分析

常规刀盘电机驱动顶管机在特定复合地层条件下经常出现超转矩、掘不动的情况。针对这种情况,设计采用刀盘中心驱动的变量泵-变量马达闭式液压系统。根据复合地层的要求,在理论计算的基础上,针对性地匹配变量泵-变量马达的运行参数,再利用AMESim软件对液压系统进行建模,对刀盘在低速、高速和脱困3种模式进行仿真分析。理论计算和仿真分析结果表明所采用的闭式液压系统能够较好地适应复合地层对掘进的要求。     

砂卵石地层地铁隧道上方基坑开挖卸载影响与对策分析

在富水砂卵石地层条件下,地铁盾构隧道上方基坑大范围开挖卸载会对下卧盾构隧道产生不利影响。为确保地铁运营安全,对下卧盾构隧道隆起与变形趋势进行研究,从减小基坑开挖卸载的影响程度与增大隧道纵向刚度2方面着手,通过在盾构隧道内设置预应力锚索、轨道道床内设置暗梁结构并与管片叠合处理以及临时槽钢纵向固定等措施的综合应用,减小纵向不均匀变形趋势,同时采用管幕法超前支护形成压顶梁,并对上方基坑开挖采用"竖向分层、纵向分段、先支后挖"的基本原则,将盾构隧道的变形控制在毫米级范围,满足了地铁正常运营要求。     

碎石注浆桩在公铁并行条件下公路工程软基施工的应用

结合公铁并行条件下某一级公路软基施工的案例,针对场地范围内软土分布广且深厚的情况,保证公路施工及运营期间对城轨的影响降至最低,软基处理采用碎石注浆桩加固处理,充分发挥其对既有建筑及基础的影响较小及施工安全可靠的优势,阐述碎石注浆桩的施工方法和监测.其成果对碎石注浆桩在公铁并行条件下公路工程的施工具有参考应用价值.     

基于手机GPS定位数据的交通方式换乘点识别方法研究

交通方式换乘点识别长期以来是手机大数据交通调查领域的一大技术难点,既有研究大多通过设置出行时间、距离阈值进行识别,算法经验性强,普适性不佳,且易将起讫点、信号控制、交通拥堵等停留误识别为换乘停留。为此,提出了一种基于手机GPS定位数据的交通方式换乘点识别新方法：首先,构建模糊时空聚类算法识别个体运动-静止状态,算法同步实现了定位点时空密度双重聚类约束与聚类边界弹性需求,对个体运动状态识别效果更佳;其次,建立支持向量机模型进行交通方式换乘点识别,有效解决了起讫点、信号控制、交通拥堵等停留对换乘停留造成的干扰;最后,从出行链视角出发,提出了基于序列相似度算法的误差回溯自检与优化模型,能够有效修复换乘点漏识别与错误识别问题。此外,在成都市开展了大范围实测试验,由150名志愿者采集了近2 160 h得到的777.6万条数据被用于技术实证评估。试验结果表明：所述方法对交通方式换乘点平均识别准确率达89.3%,换乘时间平均识别误差控制在20 s以内;与既有空间聚类、小波分析算法相比,换乘点识别精度提升近10%,换乘时间误差最大可降低20 s以上,算法适用性与效果更佳。研究成果可为基于活动的交通需求模型演进提供数据支撑,为交通规划与管理部门决策提供技术支持。     

基于优化支持向量机-混沌BP神经网络的基坑变形预测研究

为解决基坑变形预测精度低的问题,采用小波去噪分离基坑变形的趋势项及误差项序列,并利用多种优化的支持向量机对趋势项序列进行预测,采用混沌BP神经网络对误差项序列进行预测,将两者预测结果进行叠加即得到变形预测值,且可根据后期监测数据的更新,实时增加数据信息,达到跟踪预测的目的。经过3个实例检验,得出小波函数的去噪效果相对较优,且预测结果的相对误差均值均小于2%,验证了优化支持向量机-混沌BP神经网络模型的有效性,且该模型具有预测精度高、适用性强等优点,对掌握基坑变形的发展趋势及评价基坑的稳定性具有重要意义。     

Performance decay of stern bearing based on lubrication numerical model and state parameters北大核心CSCD

[目的]为了实现对船舶艉轴承润滑状态的监测和评估,提出一种结合润滑性能衰变模型和支持向量机(SVM)算法的艉轴承润滑性能评估方法。[方法]针对船舶艉轴承润滑状态难以监测和识别的问题,建立轴承润滑衰变数值模型,并运用实验数据对该模型进行验证,研究载荷、粗糙度和半径间隙对润滑状态衰变机理的影响。基于SVM算法,构建润滑状态分类器,通过网格搜索算法优化超参数,利用不同润滑状态的数据集进行训练,最后实现对艉轴承润滑状态的评估。[结果]结果显示,随着外部载荷、粗糙度和半径间隙的增大,轴承润滑状态恶化的临界速度增大,动压润滑工作范围减小,混合润滑工作范围增大;由仿真数据集对润滑状态识别模型的验证表明,所提的润滑状态识别方法准确率达96.88%。[结论]所提方法能监测轴承的润滑性能特征,有效识别轴承的润滑状态。