基于融合多视和全分辨率的矿区沉降监测

针对矿山开采沉降幅度大、范围小的特点,提出融合多视和全分辨率监测矿区沉降的方法。以济宁矿区为研究区,选取2景高分辨率的TerraSAR-X影像,分别采用多视和全分辨率方法获取研究区内2017年2月17日—3月11日的沉降情况;将两者得到的结果进行融合,即采用多视方法监测下沉盆地边缘较小的沉降,采用全分辨率方法监测下沉盆地中心的大梯度沉降。结果表明:在这期间济宁矿区最大沉降出现在新驿煤矿,最大沉降量达到-74 mm,最大沉降速率达到-3.36 mm/d。     

Gradient Boosting算法在典型浅埋煤层 液压支架选型中的应用

针对目前工作面液压支架阻力确定方法的不足,提出了1种新的预测方法,采用改进后的逻辑斯提算法(LR)来优化梯度提升回归(GBRT)模型,以此来预测液压支架阻力。在GBRT中加入学习速率来限制子模型的学习速率,防止其过拟合;应用LR对样本参数进行优化,建立LR-GBRT回归预测模型;将该预测模型应用于液压支架阻力的预测,预测结果与LR(线性回归模型)、SVM(支持向量机模型)、DTR(决策树回归模型)、EN(弹性网回归模型)进行对比分析。结果表明:LR-GBRT模型具有较强的泛化能力,较高的预测精度,可以对液压支架阻力进行有效预测。     

基于梯度提升决策树的车轮轮缘厚度磨耗预测

轮对在列车走行过程中起着导向、承受以及传递载荷的作用，其踏面及轮缘磨耗对地铁列车运行安全性和钢轨的寿命都将产生重要影响。根据地铁列车车轮磨耗机理，分析车轮尺寸数据特点，针对轮缘厚度这一型面参数，基于梯度提升决策树算法构建轮缘厚度磨耗预测模型。在该模型的基础上，任意选取某轮对数据进行验证分析，结果表明：基于梯度提升决策树的轮对磨耗预测模型具有较好的预测精度，可预测出1~6个月的轮缘厚度变化趋势范围，预测时间范围较长，可为地铁维保部门对轮对的维修方式由状态修转为预防修提供指导性建议。     

基于密集连接卷积神经网络的入侵检测技术研究

卷积神经网络在入侵检测技术领域中已得到广泛应用，一般地认为层次越深的网络结构其在特征提取、检测准确率等方面就越精确。但也伴随着梯度弥散、泛化能力不足且参数量大准确率不高等问题。针对上述问题，该文提出将密集连接卷积神经网络(DCCNet)应用到入侵检测技术中，并通过使用混合损失函数达到提升检测准确率的目的。用KDD 99数据集进行实验，将实验结果与常用的LeNet神经网络、VggNet神经网络结构相比。分析显示在检测的准确率上有一定的提高，而且缓解了在训练过程中梯度弥散问题。     

刚果（金）某复杂难选氧化铜矿选矿试验研究

刚果(金)某复杂难选氧化铜矿铜品位2.47%,钴品位0.12%,铜氧化率为98.96%,结合率为15.82%,铜的赋存状态非常复杂,主要为孔雀石、硅孔雀石、假孔雀石、铜蓝、铜钴锰氧结合物、含铜褐铁矿等,孔雀石、假孔雀石等因吸附作用或机械钙、铁、锰等杂质,导致其可浮性发生变化。通过试验,开发出氧化铜钴矿高效捕收剂,有效提高了铜的浮选回收率,采用浮选-磁选联合的工艺流程,回收了可浮性较差但具有磁性的铜钴锰氧结合物、含铜褐铁矿含铁孔雀石、含铁假孔雀石。最终获得铜品位24.17%、回收率73.08%的浮选铜精矿和铜品位8.14%、铜回收率10.30%的含铜磁选精矿,钴的总回收率达到了66.93%。