基于极端梯度提升算法的西安市逐小时PM2.5浓度预报研究

利用西安市2016—2021年逐小时PM_2.5浓度监测数据和气象观测数据,基于极端梯度提升机器学习算法模型(extreme Gradient Boosting, XGBoost),选择气象因子和时间因子作为特征变量,对西安市逐小时PM_2.5浓度进行预报试验。结果表明：西安市PM_2.5浓度与平均气温和能见度显著负相关,冬季PM_2.5浓度与相对湿度和露点温度显著正相关,偏东风更易诱发重污染天气。西安市12月底至翌年1月初空气污染频发,但PM_2.5浓度总体逐年降低。冬季PM_2.5浓度的双峰形日变化最明显,最高值分别出现在凌晨和11时。西安市PM_2.5浓度变化存在“周末效应”。模型能够较为真实地反映PM_2.5浓度量级和演变趋势的变化,预报值与实况值之间的决定系数为0.77、平均绝对误差为12.79μg·m^-3、均方根误差为18.68μg·m^-3。模型秋冬季表现较为稳定,预报效果...     

VCT的技术特性和临床价值

本文介绍了Light Speed VCT的技术特性,包括硬件、软件和图像重建的技术进步,以及这些技术进步带来的图像质量上的改进和临床应用.这些先进的临床应用包括5秒心脏成像、胸痛三联诊等.探讨了降低病人剂量的重要性以及实现图像质量和X射线剂量的和谐和同一.     

图像重建块迭代算法中松弛参数选取的研究

在图像重建中,Landweber迭代算法是图像重建算法中的重要方法.本文将针对Landweber分块迭代算法中松弛参数的选取进行研究.在重建过程中采取对投影矩阵按投影角度分块的方法,选取特定的松弛参数.通过数值实验得出结论:对于按角度分块的块迭代算法,松弛参数选取为λ乘以块矩阵与其共轭转置矩阵乘积的最大特征值分之一,当采集完全投影数据,且λ接近(1/6)～(1/7)时效果最好.另外,本文按角度分块的做法和松弛参数的选取方法对于有限角度图像重建问题也是可行的.     

机载测雨雷达两种反演方法的优化和综合利用的模拟研究

由于机载雷达的天线不能做得太大,如果想获得一个较好的束向分辨率,就不得不使用X波段的频率,而该波段的电磁波穿过雨区时会受到衰减,直接利用视反射率进行降水反演就会产生很大的误差,因此,衰减效应必须进行校正。两种降水反演方法——立体雷达方法和双束算法,在实际的反演中各有优缺点。立体雷达方法对边界条件要求高,而双束算法在雨团中心雨强大处会有较大的误差。引入权重因子后的立体雷达方法－双束算法(综合算法)能充分发挥两种方法的优点,从而更具适用性和准确性。     

GPS高程拟合中神经网络法的基本思想

高程问题一直是困扰GPS的问题之一,而不同的GPS高程拟合方法都有其适用条件,并且精度不等。本文在对人工神经网络的基本原理、神经元模型、网络结构、数据结构和训练方式等研究的基础上,给出一种新的算法(新BP算法)。以“阜新控制网改造工程”作为一个具体实例,使用Matlab语言来完成GPS高程的拟合,并与其他方法作了比较,最后给出有益的结论。     

数字孪生铁路多目标粒子群任务调度方法

展示/分析/探索多层次任务及存储/计算/网络资源高效调度是数字孪生铁路的关键技术,随着存储、计算和网络等分布式异构资源不断接入,数字孪生铁路多层次任务并发场景异构资源分配倾斜、任务优先级不匹配、时延高等问题突显。现有调度方法大多针对单一层次任务资源进行设计,无法直接适用多层次任务调度场景,难以保障多层次任务调度的最大完工时间和资源负载均衡全局最优。针对上述问题,本文设计了适用于数字孪生铁路特点的多层次任务调度模型,提出了多目标粒子群任务调度算法,基于云仿真平台CloudSim对该方法进行对比测试,基于DTScope引擎设计实现数字孪生铁路“安全—质量—进度”智能施工管理案例原型。结果表明,本文方法适用于数字孪生铁路多层次任务并发调度场景,与现有方法相比明显提高了多层次任务完成时间效率和任务调度均衡性,可有效支撑数字孪生铁路展示—分析—探索多样化应用。     

基于SAPSO-ELM的瓦斯涌出量分源预测及应用

为了提高瓦斯涌出量预测精度,针对瓦斯涌出量影响因素的多重相关性、复杂性等问题,结合主成分分析法和分源预测理论,对开采层、邻近层、采空区的瓦斯涌出量数据分别进行主成分分析降维,得到预测指标。针对极限学习机(ELM)存在的输入权值矩阵与隐含层阈值随机生成的问题,利用模拟退火粒子群算法(SAPSO)对极限学习机的参数寻优,将新疆某煤矿回采工作面瓦斯涌出量及影响因素作为SAPSO-ELM模型的输入进行训练,再利用训练好的SAPSO-ELM模型对陕西某煤矿回采工作面的瓦斯涌出量进行验证预测,并对比原始ELM模型的预测结果。结果表明,SAPSO-ELM模型的平均相对误差为3.45%,ELM模型的平均相对误差为8.81%,与ELM模型相比,SAPSO-ELM模型预测精度及效率均优于原始ELM模型。分源预测理论和主成分分析法的结合有效解决了多因素间的多重相关性并降低了预测模型的复杂度,SAPSO-ELM预测模型实现了瓦斯涌出量的快速精准预测,对预防瓦斯事故发生和保障煤矿安全高效开采具有较好的指导作用。      

基于测井参数优选的煤层含气量预测模型

随着煤层气勘探的不断深入,对煤层含气量预测精度提出了更高的要求。基于煤层含气量测井响应特征,分析测井参数与含气量的相关性,提出MIV（Mean Impact Value）技术与LSSVM（Least Squares Support Vector Machine）结合的测井参数优选策略,优选最优测井参数作为网络建模的输入自变量组合,通过粒子群算法优化LSSVM网络核心参数,最后构建一套适用于煤层含气量预测的MIV-PSO-LSSVM模型。在此基础上,分别对比分析LSSVM、PSO-LSSVM、MIV-LSSVM和MIV-PSO-LSSVM模型对煤层含气量的预测性能,并与传统多元回归方法进行了对比,利用拟合优度和均方根误差对此5类模型进行评价。结果表明:PSO优化下的LSSVM模型预测精度得到有效提升,结合MIV方法优选测井参数可大幅度改善神经网络建模性能,MIV-PSO-LSSVM模型可实现煤层含气量高精度预测,为煤层气勘探及其储层评价提供新的技术支撑,且本研究的建模策略及思想可广泛应用于其他机器学习建模研究领域。      

新冠肺炎流行病学模型的最优参数化

现如今,新冠肺炎(COVID-19)严重威胁着世界各国人民的生命健康.许多流行病学模型已经被用于为政策制定者和世界卫生组织提供决策参考.为了更加深刻的理解疫情趋势的变化特征,许多参数优化算法被用于反演模型参数.本文提议使用结合了高斯-牛顿法和梯度下降法的Levenberg-Marquardt(LMA)算法来优化模型参数...