关键词： 树木死亡建模   森林动态   数据挖掘   机器学习  

摘要： 树木死亡是森林生态系统动态的重要过程之一。由于森林生态系统物种丰富,环境复杂,对个体树木的死亡预测以及死亡机制的了解一直以来都是森林生态学研究的重点和难点。传统参数统计模型由于自身限制,例如对数据分布的要求和多重共线性等原因,在实际应用中往往受到一定限制,无法较好应用在复杂森林生态系统动态的分析建模研究中。与此同时,随着近年来大批大型森林动态监测样地的建立,以及调查内容与手段的丰富,使得森林监测数据的数量规模和复杂程度都达到了前所未有的新高度,同时也为分析建模研究带来了挑战。由于这些森林生态学大数据的数据规模巨大,数据连续性高,数据结构层次复杂,传统的统计分析和建模方法在应对这类大数据时往往效果不佳,而针对这类大数据,新的机器学习方法在分析建模效率和模型表现上往往发挥出色,此外机器学习方法对数据格式要求较低,没有多重共线性等传统统计模型的限制,能够有效处理大量复杂数据,近年来已成为不同学科研究必不可少的工具。本研究采用非参数机器学习方法,对巴拿马巴罗克罗拉多岛50公顷森林大样地BCI连续35年的树木普查数据进行挖掘,建立个体树木死亡预测模型。结合文献中广泛收集到的生物因子和非生物因子数据,通过特征工程手段,构建了包含树木特征,功能性状,种内种间相互作用,土壤化学特性,地形特征,以及气候特征在内的106个预测因子作为自变量,将树木存活状态作为因变量,分别用传统参数方法（逻辑斯蒂回归）和非参数机器学习方法（随机森林和极限梯度提升树）建立了3个分类预测模型,并通过特征重要性排序、偏依赖图、累积效应图和SHAP值等模型分析手段对模型结果进行解释分析,从而探究热带雨林树木的死亡机制。研究结果表明,机器学习模型表现均优于传统的逻辑斯蒂回归模型,预测准确率达到90%以上,AUC值达到0.67以上,其中极限梯度提升树模型表现略优于随机森林模型。通过对模型的分析发现,BCI样地内树木死亡主要由树种功能性状,个体间相互作用,以及土壤化学特性等环境因素共同影响,具有非线性特征,而气候因素对于个体死亡的直接影响相对较小。此外,模型解释结果表明,种内竞争对个体存活率呈负影响,支持并揭示了Janzen-Connell假说。总竞争对存活率的影响呈单峰型分布,说明在BCI样地中,竞争和促进均在相邻植物之间进行。胸径大小和树木存活率呈负相关,一方面是由于邻域竞争负效应随胸径增大不断增大,另一方面可能是由于较大树木在热带雨林中更易受到雷电袭击,而年老的树木因为累积的历史性损伤更易死亡。土壤化学元素含量与树木存活率呈单峰型分布,表明竞争在低养分可用性情况下更激烈,验证了资源比率假说。幼苗生长率与树木存活率呈负相关,表明资源获取型的树木在防御方面投入较少,对病虫害的敏感性更低,更易受到同种负密度依赖作用的影响,表明了快速生长和防御之间的权衡。而平均木材比重、比叶重,以及树木平均高度与存活率呈正相关,可能是因为在高生产力森林中主要以资源获取型策略为主,保证树木分配足够的资源来生产更多的叶子和茎,并加强树冠来竞争光照。土壤侵蚀因子、坡度和海拔对存活率的影响为正效应,这与一些研究结果相反,可能是亚马逊地区的地形差异不大,往往被竞争、土壤养分等其他因素的影响所淡化,因为海拔的差异不像山地森林那样极端。本研究通过生态学大数据挖掘和机器学习手段,对热带雨林个体树木的死亡进行分析建模,揭示了Janzen-Connell假说、种间促进作用,快速生长和防御之间的权衡等生态学假说和理论,为复杂大型森林样地监测数据的挖掘和分析提供了新思路,也表明了大数据挖掘和机器学习方法在生态学中的广泛应用前景。

关键词： 属性抽取   语境特征识别   数据自增强   对比学习   小样本学习  

摘要： 属性抽取是自然语言处理领域的一项重要任务,旨在从文本中自动抽取属性的表述语言,其在情感分析、观点挖掘方面有着重要的应用价值。目前,基于神经网络的属性抽取已经取得了一定研究进展。然而,该任务仍存在三个方面的不足,包括低频属性识别困难,属性词易与普通词混淆,以及可观测样本不充足。为解决上述问题,本文提出以下三个研究内容:首先,根据属性的分布频率,本文将属性划分为高频属性和低频属性。高频属性具有较高的领域表征能力,易被监督学习模型感知。相对地,低频属性出现频率低,可供训练的样本总量较少,使得神经网络模型难以充分学习相应的语境特征,其导致识别难度较高。本文发现低频属性往往与高频属性同时出现,即两者存在共现于局部文字片段的现象。在这一共现情况下,高频属性能够作为表征低频属性语义的关键线索。因此,本文提出一种融合高频属性信息的属性抽取方法。该方法利用统计信息挖掘句子中的高频属性,将其作为重要的语境特征纳入表示学习过程当中,以此增强其它词项的分布式语义表示,借以辅助相似语境下低频属性的识别。其次,虽然现有基于神经网络的属性抽取模型,能够对属性词及其语境进行深度的语义表示和感知。但是,现有技术仍然面临高可辨性语境特征识别困难的问题,这一问题导致此类模型易于混淆属性词与其它普通词,使得属性的误判和漏判率较高。因此,本文提出一种结合数据自增强与对比学习的属性抽取方法。该方法利用正则化Dropout(简称R-Drop)实现数据自增强,并扩充可学习的正负例样本。在此基础上,本文借助对比学习优化正负例样本的特征表示,使两者具备更易感知的差异化表示模式。本文通过上述方法,引导模型自动识别高可辨性的语境特征,从而提升模型对属性词和普通词的分辨能力。最后,属性抽取任务具有较强的领域性,不同领域的文本存在语用及表达上的差异。因此,单一领域下训练所得的神经属性抽取模型,往往在其它领域的数据处理上难以获得较优的性能。在实际应用中,为每个领域标注大量可观测数据并用于监督学习的时空损耗过大。因此,本文提出一种基于“目标范式”(即Prompt)的属性抽取方法。该方法为原始文本构造含有掩码的目标提示句,且该提示句是一种表征特定属性存在与否的范式。在此基础上,本文借助掩码语言模型的解码器,根据上下文语境信息的特征表示,预测目标提示句的掩码信息,从而间接辅助属性存在与否的判别。本文针对低频属性识别困难,属性词易与普通词混淆,以及可观测样本不充足三个问题,开展了融合高频属性信息的属性抽取、结合数据自增强与对比学习的属性抽取、基于目标范式掩码预测的属性抽取三种方法的研究。本文在国际语义评测大会提供的四个属性抽取数据集上进行实验。实验结果显示,本文方法在2014年的笔记本电脑领域数据集上取得了 83.94%的F1值,在2014至2016年的餐馆领域数据集上分别取得了 88.72%、73.61%和 78.10%的 F1 值。

关键词： 主题意义探究   英语词汇教学   高中英语  

摘要： 词汇是语言学习的中心,对语言学习来说是一个非常重要的环节。到现在为止,许多的研究者仍致力于探索高效率的英语词汇学习方法。《普通高中英语课程标准（2017版）》也对词汇学习提出了更高的要求。明确指出词汇学习不再是单词的记忆和练习,新课标要求学生在特定的语境中通过听、说、读、看、写来学习英语单词,并能使用新单词来表达相关主题的信息和意义。在以主题意义为引领的课堂上,教师要通过创设与主题意义密切相关的语境,充分挖掘特定主题所承载的文化信息和发展学生思维品质。目前,基于主题意义探究发展为英语教学新的方向。不少学者指出高中英语词汇教学也应围绕主题展开,兼顾语言学习。在这样的背景下,基于主题意义探究的词汇教学法受到了国内学者的广泛关注与研究。所以,本研究从当前高中英语词汇学习的问题出发,更多地关注新课标所提倡的主题意义,并基于主题意义探究进行词汇教学设计,主要探究以下三个研究问题:（1）基于主题意义探究的词汇教学对英语词汇的短时记忆有什么影响?（2）基于主题意义探究的词汇教学对英语词汇的长时记忆有什么影响?（3）基于主题意义探究的词汇教学对学生的词汇学习态度有什么影响?本研究选取天水市一中高一的两个平行班（随机分为实验班和控制班）,共60名学生。进行了为期3个月的教学实验。实验班采用了基于主题意义探究的词汇教学法,控制班采用了传统的教学法教授词汇。本研究分为三个阶段:实验开始前,对两个班进行前测,测试研究对象的词汇量及对词汇的掌握情况,以确保测试的有效性。实验阶段,两个班用不同的方法进行词汇教学。实验结束后,两个班进行后测和延时后测,并对实验班同学进行问卷调查和访谈（选取6名学生）。最后,实验中得到的数据用SPSS17.0工具进行了收集与分析。SPSS17.0处理和分析实验数据后,本研究得出了以下结论:第一,实验班的学生在使用新方法后词汇短时记忆有了很大的进步。第二,基于主题意义探究的词汇教学有助于英语词汇的长时记忆。第三,基于主题意义探究的词汇教学明显地改善了学生的词汇学习态度。最后,本研究对高中英语的词汇教学提出了相应的建议,希望能更好地促进词汇教学。

关键词： SAR   舰船目标检测   深度学习   YOLOv5   轻量化卷积神经网络  

摘要： 合成孔径雷达(Synthetic Aperture Radar,SAR)成像技术的快速发展,为遥感信息系统提供了丰富的高分辨率SAR图像。其中,海洋舰船目标检测是SAR图像处理的重要部分,为海洋监测、军事安全、民防建设等提供了强有力的技术支撑。传统的SAR图像舰船目标检测算法依赖手工设计特征,难以保证舰船检测的准确率和检测效率。凭借强大的特征表达能力,基于深度学习技术的目标检测算法逐渐成为SAR图像舰船目标检测领域新的研究趋势。然而,当前主流的基于深度学习的目标检测算法网络结构复杂,模型的计算量和参数量大,需要大量的算力支持,难以满足实际应用中的移动端部署和实时性要求。另外,由于SAR图像从距离很远的高空获取海面图像,易受复杂的海面环境、多变的天气状况以及SAR成像系统的参数设置等各种影响因素的干扰,容易造成舰船目标的误检、错检。而且,在SAR图像中舰船目标仅占整幅图像的很小部分,含有舰船目标特征可视化信息的像素少,也给SAR图像舰船目标检测带来了一定的难度。论文针对当前目标检测模型神经网络层数过深、海面环境复杂等问题,导致对SAR图像中舰船目标检测效果不佳的现状,以提高海洋遥感信息智能化水平为目标,对SAR系统成像原理、舰船目标特征提取、目标检测等相关技术理论进行研究,实现对SAR图像中舰船目标的快速、准确检测。本文的主要内容如下:首先,本文说明了SAR图像舰船目标检测的研究背景和意义,介绍了国内外SAR图像舰船目标检测算法的研究现状,将现有的舰船目标检测算法分成了传统方法和基于深度学习的方法两类,分别阐述了两类方法的实现原理、优势及存在的不足。然后,简要介绍了SAR系统的成像原理和图像特点,重点分析了影响S AR图像舰船检测效果的因素。阐述了深度学习相关技术以及目标检测算法理论,着重介绍了几种常见的目标检测算法和轻量化卷积神经网络,分析了基于深度学习的目标检测算法中的正负样本分配策略。其次,针对当前目标检测模型网络结构复杂,参数量和计算量大导致难以在实际场景中部署和应用的问题,本文在YOLOv5模型的基础上,对其主干网络进行改进,构建了Mobile Netv2＿YOLOv5和Shufflenetv2＿YOLOv5两种轻量化网络,在对比了两种改进后网络的参数量、计算量和检测性能之后,使用表现较佳的Sh ufflenetv2轻量化网络作为主干网络。然后,为了进一步提高舰船目标检测的检测精度,改善复杂环境因素干扰导致的舰船目标误检、漏检的问题,本文对Shuffle netv2＿YOLOv5网络进一步改进,引入Transformer模块构建特征图长距离全局语义信息,增强舰船目标的特征表达。使用FRe LU(Funnel Rectified Linear Unit)替换原YOLOv5的激活函数,进一步提高网络的性能。同时,提出一种自适应正负样本分配策略,改善正负样本失衡的问题,提高舰船目标的定位精度。最后,通过消融实验和对比实验,本文算法在SSDD数据集上的准确率为82.2%,FPS为193帧/s,在保证精度的情况下,实现了SAR图像舰船目标实时检测。在相同训练样本SSDD数据集和系统环境设置下,本文还改进Shufflenetv2＿YOL Ov5方法与Faster R-CNN、SSD、Retinanet等其他主流目标检测算法进行对比,结果表明本文提出的改进Shufflenetv2＿YOLOv5算法对SAR图像舰船目标检测在检测精度和运行速度两方面均具有明显优势。

关键词： 水下爆炸   机器学习   深度神经网络   结构毁伤   动响应   快速预报方法  

摘要： 水下爆炸过程中会产生冲击波、气泡脉动和射流等载荷,这些载荷会对舰船结构造成不同程度的毁伤,严重威胁舰船生命力。目前,在水下爆炸载荷下舰船毁伤领域的研究主要采用数值计算方法,并产生了海量数据。采用机器学习方法对已有计算结果进行数据挖掘可实现舰船毁伤特性的快速准确预测,这将为水下爆炸与舰船毁伤领域带来前所未有的变革,具有极其重要的军事和工程意义。首先,阐述了水下爆炸的物理现象、载荷特性及结构毁伤的基础理论和研究现状,介绍了深度神经网络等机器学习算法及其在舰船毁伤领域内的应用,并论述了 ALE方法基本原理,通过与经验公式和水下爆炸试验对比验证了 ALE方法在水下爆炸载荷下结构毁伤模拟的有效性,验证了深度神经网络方法在水下爆炸问题中的适用性。其次,以近场水下爆炸载荷下船体板架结构最终塑性变形和塑性应变分布为例,研究了隐含层数量、神经元数量、优化器和激活函数类型对深度神经网络预测精度和训练效率的影响,确定了较优的深度神经网络模型。在此基础上研究了深度神经网络模型输入参数的影响,且针对神经网络训练过程中出现的欠拟合和过拟合现象进行了讨论,最后在模型中加入回调函数,从而在保证预测精度的前提下提升训练效率,以避免欠拟合和过拟合对预测结果的影响。然后,针对不同加筋数量和加筋厚度的船体板架结构、不同炸药当量和爆距的近场水下爆炸载荷,建立了三个不同的深度神经网络模型对板架结构最终塑性变形、塑性应变分布和典型位置位移时历曲线进行了预测。通过将板架最终塑性变形预测结果作为输入值,提高了计及边界和加筋影响的塑性应变分布预测精度。此外,通过增加隐含层和神经元数量,预测了水下爆炸载荷下船体板架结构典型位置处位移时历曲线。最后,采用支持向量机算法实现了不同板厚的结构在不同威力水下接触爆炸下的毁伤模式判别。在此基础上建立了深度神经网络模型以预测结构在水下接触爆炸载荷下破口尺寸、破口形状、结构塑性变形和应变分布。此外,通过将时间及对应时刻结构位移及应变输入到新的深度神经网络模型中进行训练,预测了板架结构在水下接触爆炸载荷下破口扩展过程。

关键词： 初中英语   项目化学习   单元教学   主题建构  

摘要： 主题式大单元学习是基于学生的基本认知与能力状况，打破原先的将英语词汇、句式、语法等割裂开来的学习方式。因此在单元教学的过程中教师需要基于单元主题设计一个整体性的连续性、学习故事。教师可设置大情境、大问题、大任务等，进而开启一个单元的新的打开方式。基于项目化学习的模式更容易完成主题式大单元学习，因为学生会围绕一个基于主题的项目问题，发挥学习小组里每个人的智慧，在制定方案，分配任务，实施项目，形成成果的过程中促成学科素养的综合发展。

关键词： 机器学习方法   NAFLD   CRT分类树   列线图   预测模型  

摘要： 目的:利用CRT分类树、列线图构建非酒精性脂肪性肝病(Nonalcoholic fatty liver disease,NAFLD)患病风险的预测模型并进行评价,旨在通过机器学习方法筛查罹患NAFLD的高危人群,为NAFLD疾病的预防、早期诊断提供依据。方法:收集2017年07月至10月期间桂林医学院附属医院体检部体检的10390例资料齐全的人群的一般资料包括姓名、性别、年龄、身高、体重、既往史、用药史、个人史,实验室指标包括甘油三脂(TG)、总胆固醇(TC)、低密度脂蛋白胆固醇(LDL-C)、高密度脂蛋白胆固醇(HDL-C)、空腹血浆葡萄糖糖(FPG)、丙氨酸氨基转移酶(ALT)、天门冬氨酸转氨酶(AST)、尿酸(UA)、肌酐(Cr)、尿素氮(BUN),并计算体重指数(BMI)、甘油三脂葡萄糖指数(Ty G)、肾小球滤过率(GRF)。随机抽取70%的人群(7273例)作为训练集,30%的人群(3117例)作为验证集进行内部验证,以有无脂肪肝分为病例组和对照组,分别构建CRT分类树模型、列线图模型。绘制受试者工作特征曲线(ROC)评价模型的鉴别能力,使用决策曲线分析(DCA)及临床影响曲线(CIC)评价模型的临床实用性,使用校准曲线评价模型的准确性。结果:1、在匹配性别、年龄后的人群中,与对照组(2148例)比较,病例组(2148例)的BMI、SBP、DBP、FPG、TG、TC、LDL-C、Ty G、ALT、AST、UA水平升高,而HDL-C水平降低,差异有统计学意义(P<0.05);2、训练集与验证集的年龄、FPG、TC、LDL-C、HDL-C、Ty G、BUN、Cr、UA、GRF差异无统计学意义(P>0.05);3、CRT分类树模型结果提示BMI、Ty G、ALT、FPG、年龄、UA与NAFLD的患病相关。列线图模型结果提示BMI、Ty G、ALT、LDL-C、FPG、年龄、UA、HDL-C与NAFLD的患病相关;4、(1)训练集的CRT分类树、列线图模型的ROC曲线下面积(AUC)值分别为0.857、0.881,验证集的CRT分类树、列线图模型的ROC曲线下面积(AUC)值分别为0.853、0.892,提示这两个预测模型具有良好的鉴别能力;(2)训练集CRT分类树模型DCA的Pt范围在0.06-0.82之间,列线图模型的Pt范围在0.08-0.85之间,提示这两个模型具有良好的净获益率;验证集CRT分类树模型DCA的Pt范围在0.06-0.85之间,列线图模型的Pt范围在0.08-0.9之间,与训练集无明显差别,验证了训练集的两个模型良好的临床实用性;(3)训练集的CRT分类树、列线图模型CIC中红色曲线与蓝色曲线重合时的预测概率均为0.85左右,验证集的CRT分类树、列线图模型CIC中红色曲线与蓝色曲线重合时的预测概率分别为0.78、0.8左右,提示这两个模型具有较高临床影响价值;(4)训练集的CRT分类树模型校准曲线的P值=0.590,列线图预测模型校准曲线的P值=0.348,两者P值均>0.05,与标准曲线的最大偏幅分别为0.003、0.087,表示预测模型的校准曲线与标准曲线无差异,验证集的P值均>0.05,最大偏幅与训练集无明显差别,提示这两个预测模型具有较高的准确性。结论:1、BMI、Ty G、FPG、LDL-C、HDL-C、年龄、ALT、UA与NAFLD的患病相关;2、应用CRT分类树、列线图这两种机器学习方法构建的NAFLD预测模型具有良好的临床效能,对NAFLD患病风险具有良好的预测能力及较高的预测价值。

关键词： 多智能体深度强化学习   多智能体通信模型   协同决策   船舶避碰  

摘要： 大数据、物联网、人工智能技术的成熟推动船舶朝着智能化、安全化、绿色化方向发展,而船舶避碰问题一直是船舶智能航行必须解决的首要问题。在实际航行中,多船会遇情况十分常见,此时船舶需要遵循国际海上避碰规则(International Regulations for Preventing Collisions at Sea,以下简称“COLREGS规则”),相互协作,共同合理规划避碰策略,才能应对复杂环境达到协同避碰的目标,降低碰撞风险。因此,研究满足COLREGS规则的船舶协同避碰策略,符合未来船舶航行智能化发展的需求,在理论研究和实际应用上都具有重要意义。利用深度强化学习的感知和试错能力学习避碰策略,在保证船舶避碰安全性的同时能够更加适应复杂的水域环境,在解决船舶避碰问题上具有显著优势。但目前基于深度强化学习的智能避碰研究中,大多忽略船舶避碰间的相互影响,存在避碰决策缺乏协同性等问题。因此,本文基于多智能体深度强化学习方法,以构建面向协同决策的多船舶智能体通信模型为核心,开展多船舶智能体协同避碰深度强化学习方法研究。主要工作及成果如下:(1)构建了面向船舶避碰的多智能体决策模型针对目前多数研究仅为本船规划避碰策略(周围船舶保持固定航向、航速行驶),可能无法处理因周围船舶的变化造成不确定性等问题,利用多智能体深度强化学习研究船舶避碰方法,保证多船共同规划避碰策略:设计船舶领域模型和船舶碰撞风险评估模型,降低碰撞风险;在融合多因素的船舶会遇局面辨识模型与量化的COLREGS规则基础上,设计多船避碰策略,保证其实用性;研究马尔可夫博弈过程与多船避碰过程的相似性,结合船舶航行和避碰特点,设计状态空间、连续动作空间以及奖励函数,构建多船舶智能体避碰决策模型,提出融合规则约束的多船舶智能体避碰决策算法;设计实验,验证了所提出的算法能够保证船舶避碰的安全性和实用性。(2)设计了面向协同决策的多船舶智能体通信模型针对目前多船舶智能体间缺乏通信以致避碰策略缺乏协同性问题,基于多智能体深度强化学习中的智能体通信方法,研究多船舶智能体合作方式,以促进船舶智能体协同决策:提出基于注意力推理的多船舶智能体通信数据提取方法,量化来自周围船舶智能体的通信数据对自身的重要性影响,提取有助于避碰决策的关键数据;设计记忆驱动的多船舶智能体经验学习方法,学习自身航行数据和来自周围船舶智能体的通信数据,积累经验,促进船舶智能体规划更好的避碰策略;在此基础上,结合所提出的多船舶智能体避碰决策模型,构建多船舶智能体通信模型,充分利用船舶智能体自身的航行数据和来自周围船舶智能体的通信数据,设计协同决策方法;通过对比与仿真实验,验证了所提出的通信模型有效保证了多船避碰的协同性。(3)提出了多船舶智能体协同避碰深度强化学习方法为进一步增强多船舶智能体间避碰的协同性和安全性,提出多船舶智能体协同避碰深度强化学习方法:设计基于噪音网络的船舶智能体协同避碰决策探索方法,提高找到最佳协同避碰策略的概率;设计基于多头注意力机制的船舶智能体评价网络,促使船舶智能体学习更有利于自己获取更大回报的信息,从而增强船舶智能体学习的协同性;基于多船舶智能体通信模型,结合以上研究构建多船舶智能体协同避碰决策模型,并引入COLREGS规则,提出多船舶智能体协同避碰深度强化学习算法;设计对比与仿真实验,结果表明所提出的方法进一步提高了多船会遇局面下船舶避碰的协同性和安全性,并保证了避碰策略的实用性。

关键词： 故障诊断   模式辨识   集成学习   ReliefF算法   神经网络   云模型  

摘要： 旋转机械作为现代工业生产中的核心组成部分,必须紧跟时代脚步,向着先进智能化的方向迈进,这对于我国以制造业为基础的实体经济快速稳固发展至关重要。故障诊断技术作为旋转机械智能化发展的重要方向,能够有效地保障设备安全可靠运行,充分满足智能制造的需要,这也使得该项技术在近年来得到了蓬勃发展。随着旋转机械设备必须向优质高效运行目标迈进,其监测信息的规模也在扩大,这使得旋转机械故障监测系统获取海量数据,从而推动旋转机械故障诊断领域进入“大数据”时代。面对积累的工业大数据资源,必须使用合理、高效的智能决策技术将其开发利用,这对于旋转机械智能制造的快速发展意义重大。旋转机械故障诊断的关键步骤在于机械运行状态的模式辨识,本研究基于集成学习,围绕机械设备的故障模式辨识方法展开研究,所关注的问题有:基分类器差异性提升、不平衡数据处理、多通道信息融合。具体研究内容与取得的研究进展如下:(1)针对集成学习中所构建基分类器差异性较低的问题,提出一种结合扰动方式的集成RBF故障模式辨识方法。该方法通过Relief F算法计算特征权重以构建低维特征集,将特征权重作为改进轮盘赌法的输入扰动低维特征集,以自助采样法扰动训练集,从而实现特征集的结合扰动以增加基分类器间差异,提升集成学习效果。选用RBF神经网络作为基分类器,通过转子故障数据验证了所提方法的辨识精度,结果表明结合扰动的集成方式能够有效提升RBF神经网络辨识能力。(2)为解决故障诊断研究中经常遇到的数据不平衡问题,提出一种基于云模型的集成学习方法。本方法以Relief F算法计算特征权重并依此构建低维特征集,通过对云理论中的云分类器进行改进,将低维特征集中的每一特征分别构造云分类器,采用相对多数投票法对各个云分类器进行集成从而得出辨识结果。通过轴承故障不平衡数据对此方法进行了验证。实验结果表明,改进云分类器对不平衡数据的辨识具有一定优势,并能实现辨识结果的可视化。(3)由于单通道诊断方法存在辨识精度较低的问题,对此提出一种融合多通道信息的集成极限学习机模式辨识方法。此方法对采集机械设备振动信号的多个通道分别构建特征集,将各特征集训练ELM以实现分类模型与信号采集通道的对应,通过相对多数投票法对各ELM进行集成,从决策层实现多通道的信息融合。通过转子不平衡故障数据对该方法的辨识能力进行实验验证。研究结果表明,所提集成方法能够对多通道信息实施有效融合,并能适用于不同工况下的故障信息。集成学习能够提高模式辨识精度、增强算法的泛化性,在大数据时代下的旋转机械故障模式辨识领域将会拥有广阔发展前景,后续研究将重点探索当前优质分类模型与集成学习的结合,并以此为基础开发故障诊断系统,进一步提高诊断方案的智能化与自动化。

关键词： 掘进总推力   盾构装备   领域自适应算法   模型迁移学习算法   接口设计  

摘要： 随着传感检测技术的日益成熟及其在大型工程装备实时监测中的广泛应用,海量工程检测数据的分析与建模问题吸引了越来越多相关研究者的关注。基于工程实测数据的机器学习建立有效的掘进性能参数预测模型可以为装备安全高效控制决策提供参考。盾构掘进机是一种用于隧道施工的大型工程装备,其操作控制涉及机械、电子、液压等多个子系统,掘进状态会随着掘进地质条件等工况不断变化而变化,因此掘进过程中的工程实测数据往往具有分布差异性、时变性等特点。在面向盾构智能辅助决策场景中,掘进数据机器学习建模与控制参数预测也提出了分布适应性、模型自适应更新等新要求。如何建立改善数据分布差异影响的掘进参数建模方法,发展智能预测模型的自适应更新功能是该领域亟待解决的关键问题之一。本文以掘进总推力这一核心载荷参数为目标参量,围绕上述问题开展了如下三方面工作:(1)建立了考虑数据分布差异的领域对抗式迁移学习总推力模型。首先分析了掘进工程数据分布特点及引起数据分布差异可能的原因,通过工程实测数据预处理建立了三类软土地质的数据集,基于特征工程确定了影响总推力的关键参量。然后分析了对抗迁移学习方法的基本原理,在此基础上建立了适用于总推力分布自适应建模的对抗式领域自适应卷积神经网络模型,设计了模型的整体结构和损失函数。最后结合三类软土地质的数据,开展了总推力领域自适应建模,分析了建模方法的有效性和适用范围。(2)建立了随着掘进工况变化具有一定自适应更新能力的总推力预测模型。分析了工况变化下总推力预测问题的特点,考虑掘进的先后顺序进行数据集的划分。基于模型迁移建立了神经网络模型微调的总推力预测方法,该方法将已有预训练模型的部分层和参数冻结,迁移至后续的预测中,同时根据目标域部分数据进行模型的微调更新。分析了预训练模型结构和超参数对预测结果的影响,讨论了不同微调设置对目标域总推力预测性能的影响。开展了掘进过程中的总推力预测分析,对比了不同策略的预测精度和时间成本。(3)在建立上述基于模型迁移的总推力预测算法的基础上,面向算法模型在企业的盾构智能运维平台应用,设计并实现了总推力预测算法调用的接口。分析了接口的应用需求,确定了软件架构和编程框架,进行了接口整体结构的设计,编程实现了接口的模型训练、模型迁移和微调和总推力预测的功能。通过本地计算机进行了接口的部署和测试。