基于主成分分析的矿井突水水源Bayes判别模型

矿井突水严重威胁矿区安全生产,快速准确地判别突水水源,对有效防治矿井突水灾害有重大意义。根据鹤壁矿区6个主要含水层水化学成分的差异性,选取了Ca2+、Mg2+、Na++K+、CO2-3、HCO-3、Cl-、SO2-47个指标作为突水水源判别的评价因子,并选用鹤壁矿区294个水样作为学习样本,以Matlab为平台,先采用主成分分析法提炼出三个主成分Z1、Z2和Z3。然后把这3种主成分的值作为贝叶斯判别指标,建立了鹤壁矿区突水水源判别模型。利用该模型对鹤壁矿区随机选取22个突水水样进行水源判别,判别正确19个,错误3个,精度达到86%。判别错误的原因,主要是因为有的含水层水化学类型相似或者几个含水层之间存在一定的水力联系。研究结果表明,基于主成分分析的矿井突水水源Bayes判别模型能够满足矿井生产要求,可为防治水工作提供决策依据。     

空间软数据及其插值方法研究进展

由于对地观测技术的迅速发展,空间数据的种类和数量增长迅猛,由空间数据反演得到的各种信息日趋膨胀,这些反演结果中的信息不少以软数据的形式出现。在实际应用中,这些软数据往往与空间插值的目标变量具有一定的相关性,甚至成为控制目标变量空间分布特征的重要因素。然而,由于这些数据通常表示为非数值形式,在计算和处理上存在着一定困难,以致被传统的插值方法所忽视,从而造成信息浪费。近来出现的空间软插值方法是一种利用空间软数据作为辅助信息并以改善插值效果的方法,能够较好的处理并利用软数据所隐含的信息,具有较好的应用发展前景。本文根据空间软数据的特点及其分类,系统综述了空间软插值方法及其应用领域。首先分析了空间数据软硬性质的根本区别,论述了软数据的分类和“硬化”方法,然后介绍空间插值模型中对空间软数据的集成方法和原理,最后对空间软插值方法及其应用研究领域进行了展望。     

关联向量机及其在入侵检测中的应用探讨

介绍一种稀疏的贝叶斯学习算法——关联向量机(RVM)，它在再生核希尔伯特空间中学习，利用贝叶斯方法推理，推广能力好，与支持向量机相比不仅解更为稀疏而且不需要调整超参数。应用RVM的对小样本的良好分类能力，提出一种基于RVM的入侵检测原型系统。     

三种统计预报模型在江苏省道路低温预警中的应用

为了更好地开展道路交通低温灾害的预警,减轻道路结冰给车辆行驶造成的危害,本文利用2012—2016年江苏省高速公路网AWMS系统交通气象观测数据,在对路面低温发生规律进行分析的基础上,结合多元线性回归、朴素贝叶斯以及支持向量机3种统计预报方法,开展了路面低温预警的统计建模与预报试验。结果表明:(1)江苏全省高速公路网路面温度出现0℃以下、-2℃以下、-5℃以下的低温频率均呈"北高南低"分布。(2)全省高速公路网路面温度出现0℃以下的低温时次大多在15:00到次日06:00之间。(3)在对京沪高速M9308站的单站建模与预报试验中发现,路面低温预报因子组合中以13:00气温、13:00—18:00气温变温、13:00路面温度、13:00—18:00路面变温、13:00路基温度、13:00—18:00路基变温、18:00相对湿度和18:00风速U分量为自变量组合的预报方程效果最好,3种方法中以朴素贝叶斯模型的预报准确率最高;(4)就全省高速公路网而言,3种统计预报模型的路面低温预报准确率均超过75%,通过对全路网路面低温预报的试验结果对比发现,多元线性回归方法对江苏省北部路网的预报效果最好,预报准确率大多在85%以上;而支持向量机模型对江苏省南部路网的预报效果最好,大部分站点的低温预报准确率达95%以上。     

EnKF协方差膨胀算法对雷达资料同化的影响研究

基于集合卡尔曼滤波(EnKF)方法同化模拟雷达径向风和回波,引入具有时空自适应理论优势的贝叶斯膨胀算法,通过与常数膨胀算法的对比,分析了两种协方差膨胀算法对EnKF同化效果的影响。结果表明:在对流区域的北侧,由贝叶斯膨胀算法分析得到的回波在水平和垂直结构上均增强;在对流区域,由贝叶斯膨胀算法分析得到的各变量的集合离散度增大,均方根误差减小,水平和垂直速度增大,冷池强度减弱;模拟还发现贝叶斯膨胀算法提高了强对流系统的模拟效果,回波强度增强,阵风锋区内水平和垂直风速增大。这表明贝叶斯膨胀算法有效地改进了基于常数膨胀算法的EnKF同化雷达资料的效果。     

A Bayesian Network Approach for Offshore Risk Analysis Through Linguistic Variables

This paper presents a new approach for offshore risk analysis that is capable of dealing with linguistic probabilities in Bayesian networks(BNs).In this paper,linguistic probabilities are used to describe occurrence likelihood of hazardous events that may cause possible accidents in offshore operations.In order to use fuzzy information,an f-weighted valuation function is proposed to transform linguistic judgements into crisp probability distributions which can be easily put into a BN to model causal relationships among risk factors.The use of linguistic variables makes it easier for human experts to express their knowledge,and the transformation of linguistic judgements into crisp probabilities can significantly save the cost of computation,modifying and maintaining a BN model.The flexibility of the method allows for multiple forms of information to be used to quantify model relationships,including formally assessed expert opinion when quantitative data are lacking,or when only qualitative or vague statements can be made.The model is a modular representation of uncertain knowledge caused due to randomness,vagueness and ignorance.This makes the risk analysis of offshore engineering systems more functional and easier in many assessment contexts.Specifically,the proposed f-weighted valuation function takes into account not only the dominating values,but also the α-level values that are ignored by conventional valuation methods.A case study of the collision risk between a Floating Production,Storage and Off-loading(FPSO) unit and the authorised vessels due to human elements during operation is used to illustrate the application of the proposed model.     

基于时空组Lasso与分层贝叶斯时空模型的变量选择方法

从高维度、大数据量的时空数据中有效选择变量是时空数据领域的重要问题之一，现有的时空数据变量选择的方法在变量选择的过程中未充分考虑时空相关性，时空变量选择阶段与预测阶段分开进行，且往往需要人为设定时空点个数阈值判定变量的取舍，从而无法较为准确的选择对因变量影响最大的变量子集，导致后续预测效果较差。本文针对上述不足，提出了一种基于时空组Lasso与分层贝叶斯时空模型的变量选择方法，称为分层贝叶斯时空组Lasso变量选择模型（Hierarchical Bayesian Spatio-temporal Group Lasso Variable Selection Method,HBST-GLVS)，该方法首先利用时空组Lasso进行变量选择，通过引入最大时间滞后和最大空间邻域充分考虑时空相关性，并根据时空数据连续性，将同一时空变量的时空点进行整体惩罚，避免人为设定时空点个数引起局部片面性。然后，利用分层贝叶斯时空模型对变量选择的效果进行验证，将变量选择过程与模型验证过程置于同一框架下进行参数的调整，从而得到最优的变量子集。实验结果表明，与现有方法相比，本文方法在北京空气质量数据集、波特兰交通流...     

深埋高地应力隧道勘察期岩爆烈度概率分级预测

岩爆是地下工程开挖过程中硬质岩体存储的弹性应变能突然、迅速释放的动态过程。我国西南山区正在建设或拟建大量深埋长大隧道,勘察阶段岩爆的准确预测对有效设计和控制投资十分重要。从隧道工程勘察阶段线路比选与设计需求出发,针对隧道勘查期岩爆灾害预测指标获取难、预测精度低的问题,以该阶段岩爆预测指标的易获取性为前提,利用贝叶斯网络解决不确定性问题的有效性来反映岩爆烈度与各影响因素的相关关系。基于473组岩爆灾害案例,采用4个预测指标（地应力、地质构造、围岩级别和岩石强度）来构建岩爆烈度朴素贝叶斯概率分级预测模型,利用十折交叉验证方法确定模型预测精度达84.47%。将该模型应用于雅安—叶城高速公路跑马山1号隧道岩爆段落,预测结果显示:28次岩爆预测中有24次正确、4次错误,准确率高达85.71%;其中2组错误预测中,现场判别为轻微-中等岩爆,而本文模型预测为轻微岩爆。验证结果表明所建立的贝叶斯网络模型具有良好的预测性能,研究成果可为我国西南山区深埋长大硬岩隧道勘察设计期岩爆灾害预测提供技术支撑。     

基于贝叶斯集成学习算法的土体先期固结压力预测模型

准确评估土体的先期固结压力（PS）是岩土工程实践中的一个重要问题.采用集成学习算法（XGBoost、RF）来捕捉各个土体参数之间的关系,建立先期固结压力预测模型.使用贝叶斯优化方法来确定模型的最优参数,并通过与SVR、KNN和MLP三种非集成算法进行对比,统计分析了不同模型在相关系数R2、均方根误差RMSE和绝对平均误差MAPE三种误差指标下的表现;最后在5折交叉验证下,评估各个模型的预测精度及泛化性.结果表明基于XGBoost的预测精度最高,其RMSE及MAPE分别为20.80 kPa和18.29%;其次是RF,分别为24.532 kPa和19.15%.同时在PS作为回归变量的情况下,其特征重要性为：USS>VES>w>LL>PL.因此,在小规模数据集情况下,集成学习算法在预测精度及泛化性上要优于其他算法,且可作为岩土参数敏感性分析的有效方法.     

基于分层贝叶斯学习的滨海软土地层高效识别方法

基于静力触探试验数据划分土层依赖于经验图表和主观判断,划分的土层剖面不可避免地存在不确定性.提出了一种基于土体分类指数Ic的土层界面快速识别和不确定性量化方法 .在分层贝叶斯学习框架下,所提方法采用全高斯概率模型表征土体空间变异性,通过引入正态-逆威沙特共轭分布实现似然函数的快速计算,高效求解模型证据,识别最可能土层数目和厚度.所提方法基于Ic的统计特性自动划分土层,提高了识别结果的可靠性.