综合改进奇异谱分解和奇异值分解的齿轮故障特征提取方法

针对齿轮故障特征微弱，在强背景噪声下难以有效提取的问题，提出了一种改进奇异谱分解（ISSD）结合奇异值分解（SVD）的齿轮故障特征提取方法。针对奇异谱分解（SSD）算法中模态参数需凭经验选取的缺陷，基于散布熵优化算法对SSD算法进行了改进，在得到既定的一组奇异谱分量的基础上，根据峭度值最大准则筛选出了最佳奇异谱分量并进行了SVD处理，采用奇异值能量标准谱自适应地确定了信号重构阶数以还原信号和提高降噪效果。最后对信号进行包络解调以提取齿轮故障特征，将所提方法运用到仿真信号和齿轮实测信号中，并同传统包络谱、SSD包络谱以及经验模态分解结合SVD(EMD-SVD)方法进行了对比分析，结果表明，所提方法的降噪和特征提取效果更佳，能够更加有效地实现齿轮故障的判别。     

基于特征融合的中文简历解析方法研究

针对基于规则和统计的传统中文简历解析方法效率低、成本高、泛化能力差的缺点，提出一种基于特征融合的中文简历解析方法，即级联Word2Vec生成的词向量和用BLSTM（Bidirectional Long Short-Term Memory）建模字序列生成的词向量，然后再结合BLSTM和CRF（Conditional Random Fields）对中文简历进行解析（BLSTM-CRF）。为了提高中文简历解析的效率，级联包含字序列信息的词向量和用Word2Vec生成的词向量，融合成一个新的词向量表示；再由BLSTM强大的学习能力融合词的上下文信息，输出所有可能标签序列的分值给CRF层；再由CRF引入标签之间约束关系求解最优序列。利用梯度下降算法训练神经网络，使用预先训练的词向量和Dropout优化神经网络，最终完成对中文简历的解析工作。实验结果表明，所提的特征融合方法优于传统的简历解析方法。     

主溜井排尘与生产分区并联回风技术研究

四川某矿山东部上部作业区域处于东、西部分区通风系统之外，针对原主通风系统无法负担此区域的实际情况，为节省新系统投资及建设周期，研究利用其1#主溜井排尘通风系统与此区域形成并联回风通路的方式解决该区域通风问题，即东部上部区域端部回风井污风与排尘风井污风并联回风汇至上部汇风中段，汇集污风统一经由上部排尘风机排至地表，该系统方案既保障了矿井东部上部作业中段（分段）生产用风与溜井排尘用风的需求，同时节约矿井东部上部系统独立建设及运行成本。     

Road Extraction from High Resolution Remote Sensing Image based on Shape Analysis with Gestalt Theory

Simulating the psychological experience of human vision，a road extraction model based on the format tower is proposed to extract the road in the high resolution remote sensing image from the perspective of morphology.Firstly，based on the spectral and texture information，the suspected road targets are extracted by using segmentation technology.Then these targets are classified according to their reliability and extract the road targets for each category.Finally，three types of identified road information are verified and merged，and the continuous smooth road extraction results are obtained.Experiments on real high resolution images show that the results are consistent with the visual perception of the human eye，and the overall classification accuracy is higher，indicating that the algorithm is effective and feasible and has good use value.     

基于颜色四通道及空间金字塔的鱼类图像检索

随着计算机视觉技术在海洋水产领域中的应用不断加深，鱼类图像检索在渔业资源调查、鱼类行为学分析等方面发挥了巨大的作用。通过研究发现，鱼类图像的背景信息会对鱼类图像检索造成极大干扰，而且鱼类图像中颜色、纹理、形状等特征由于空间位置信息的缺乏而使检索的准确率不高。为解决以上问题，提出了一种新的基于颜色四通道及空间金字塔的鱼类图像检索算法。首先，提取视觉显著性图将鱼类图像的前景和背景分开，从而减少图像背景对检索的干扰；其次，为了使图像特征包含一定的空间位置信息，利用空间金字塔的理论对图像进行分割，在此基础上，将图像转为HSVG四通道图并提取SURF特征；；最后，得到检索结果。为验证所提算法的有效性，在QUT_fish_data数据集和DLOU_fish_data数据集上对算法的查全率、查准率与经典的HSVG算法和显著性分块算法进行对比：在两个数据集上查准率分别比传统的HSVG算法最多分别提高12%和5%，查全率最多分别提高7%和22%；比传统的显著性分块算法查准率最多分别提高15%和5%，查全率最多分别提高36%和22%；从而证明所提算法是有效的，能有效提升鱼类图像的检索效果。     

碎软煤层条带瓦斯地面高效抽采技术研究

为了提高碎软煤层条带瓦斯抽采效率和效果,基于目前地面瓦斯抽采主要采用垂直井或从式井的方式抽采效果差、效率低的现状,通过理论和实验分析论证了穿岩层压裂改造煤储层的可行性,提出了在目标煤层顶板岩层中钻水平井,并通过垂直向下射孔以及采用泵送桥塞分段进行压裂的方式进行地面瓦斯抽采。试验结果表明:顶板分段压裂水平井单井产量高、高稳产期更长、产量衰减更慢;有效水平井段控制区域内瓦斯下降均匀,更有利于进行条带瓦斯抽采;相同投资条件下,采用水平井的方式瓦斯抽采效率和投入产出比更高。     

基于聚类的数据加权优化在犯罪预测中的应用

近年来，我国传统暴力犯罪与成年人犯罪呈下降态势，但是，犯罪案由层出不穷。为有效提升公安实践工作中犯罪预测能力，打击各类违法犯罪事件,本文针对犯罪数据，提出一种新型犯罪预测模型。利用密度聚类分析方法将犯罪数据分类，然后进行数据降维提取关键属性生成特征数据，继而对特征数据进行加权优化并采用机器学习的方式对特征数据进行学习，从而预测犯罪案由。实验结果表明，与传统方法相比，本文方法具有更好的预测效果，为公安实践工作中类似案件的侦破和预防，提供新的路径支撑。     

因素空间理论下基点分类算法研究

目前，基于因素空间理论的背景基提取算法计算过程复杂，初始化必须依赖各因素极值，基点数量提取冗余等原因，未能在应用中取得很好效果。为此，结合内点判别法和知识可继承、可扩展的思想，提出一种计算简单、初始化独立、基点数量小的改进的背景基提取算法。然后，利用改进的背景基提取算法构造出一种全新的数据分类算法-基点分类算法，基点分类算法以提取每一类样本的背景基为预测模型，再通过新定义的λ-背景基，优化预测模型。数值实验表明:基点分类算法原理简单、构造难度小、分类模型泛化能力强，预测能力准确率高，同时严格的模型限定区域又能为识别新类别提供新方法。     

萃取塔数学模型及过程强化的若干研究进展

萃取塔因生产能力大、占地面积小、密闭性好等优点，在石油、化工、生物、医药和环境工程等多领域被广泛应用。本文从以下几个方面介绍了萃取塔近些年的研究进展：综述了传统萃取塔（脉冲萃取塔、转盘塔与Kühni塔等）的水力学、轴向扩散与传质模型的发展，分析比较了表面张力、传质方向、放大效应等因素对模型的影响；介绍了计算流体动力学（CFD）在萃取塔中单液滴、单相流模拟、液-液两相流模拟、外加能量模拟、与群体平衡模型（PBM）耦合模拟中的应用进展；介绍了国内外设计开发的新型萃取塔，包括改变传统塔的内构件和引入多种外场能量等方式来强化相间传质。研究表明，将先进实验研究方法、准确经验模型和可靠理论计算相结合，将会是萃取塔研究的重要手段和方向。     

Food recognition using neural network classifier and multiple hypotheses image segmentation

ABSTRACT

This paper proposes the multiple-hypotheses image segmentation and feed-forward neural network classifier for food recognition to improve the performance. Initially, the food or meal image is given as input. Then, the segmentation is applied to identify the regions, where a particular food item is located using salient region detection, multi-scale segmentation, and fast rejection. Then, the features of every food item are extracted by the global feature and local feature extraction. After the features are obtained, the classification is performed for each segmented region using a feed-forward neural network model. Finally, the calorie value is computed with the aid of (i) food volume and (ii) calorie and nutrition measure based on mass value. The experimental results and performance evaluation are validated. The outcome of the proposed method attains 0.947 for Macro Average Accuracy (MAA) and 0.959 for Standard Accuracy (SA), which provides better classification performance.