基于表面成分检测的铝合金精准分类方法研究

铝合金凭借其优良特性广泛应用于工业制造，产生了大量废旧铝合金，而新生产铝合金会消耗大量能源且对环境造成污染，因此回收再利用废旧铝合金有重要意义，须找到对铝合金进行分类回收的高效分类方法。基于表面成分检测技术-激光诱导击穿光谱技术(LIBS),先采集铝合金表面成分的光谱信息，再结合ELMAN神经网络、人工神经网络(ANN)以及随机森林(RF)模型分别对全谱数据和特征谱线数据进行了铝合金系列分类和牌号分类。研究表明：LIBS结合RF模型，能够更加快速准确的对6个系列11个牌号的铝合金进行分类，该结果为废旧铝合金系列及牌号的快速分类提供了参考方法。     

基于多特征融合与RF的球磨机滚动轴承故障诊断

由于冶金工业工况复杂，很难从单一信号中获取高质量的故障特征，诊断效果不佳。针对直接使用电流和振动信号进行融合，不能体现2类信号在不同频段上的优势和彼此之间的互补信息，而影响诊断性能的问题，提出一种基于振动和电流信号的多特征互补融合故障诊断方法。将振动信号和电流信号的高频系数特征通过最大绝对值规则融合，形成体现高频段特征的互补特征；将振动信号和电流信号的低频系数特征通过稀疏表示（SR）融合，形成体现低频段特征的互补特征。通过定义由多特征组成的特征矩阵融合全频段特征，增强全局特征表征能力。采用递归特征消除法消除融合后的冗余特征，提高分类精度，结合随机森林（RF）对轴承故障状态进行分类。实验结果表明：所提方法相比基于振动信号和基于电流信号的诊断结果更加准确。     

基于随机森林的飞行载荷代理模型分析方法

飞行载荷分析(FLC)通常需消耗大量的计算资源和时间，提升飞行载荷计算效率对于缩短研发周期、提高设计质量具有重要意义。本文研究了数据驱动的机器学习代理模型飞行载荷分析方法，由于随机森林(RF)代理模型具有学习效率较高、泛化能力较强、可避免过拟合、参数可解释、变量敏感度分析等优点，使其十分切合飞行载荷分析，具有重要的应用潜力和前景。文中基于传统的飞行载荷分析方法，采用NASTRAN的SQL144载荷分析框架获得训练随机森林代理模型的样本数据，然后以高度、马赫数、过载、俯仰角加速度等作为输入参数构建了飞机对称机动载荷预测代理模型。采用建立的模型预测了算例飞机其他工况机翼翼根、平尾翼根的剪力、弯矩、扭矩，通过对预测结果评估校验，证实了模型具有较高的精度，可以大幅提升飞行载荷分析效率，并能够分析飞行载荷对各状态参数的敏感度，为高效全面地分析飞行载荷提供了新的思路。     

基于多层次特征的高分影像海岸带地物分类

针对高分辨率影像地物光谱丰富复杂的问题，文章提出了一种结合像元-对象-空间格局特征的水域、盐田等海岸带精细地物分类方法。首先基于像元和空间格局特征分别利用遗传算法优化随机森林参数进行分类；其次将两种分类结果采用D-S证据理论融合；然后基于不同地物斑块的空间上下文信息，采用粒子群算法优化支持向量机（Support Vector Machine，SVM）参数实现面向对象的二次分类。为验证方法的有效性，收集山东省莱州湾海岸带附近区域的“高分二号”卫星影像，开展了水域及水利设施用地、盐田、工矿用地、交通运输用地、住宅用地、沿海滩涂、海域与耕地8类地物的分类实验，总体精度达到97.21%，Kappa系数为0.964 2。实验结果表明，文章提出的高分影像海岸带地物分类方法兼顾像元、对象及空间格局特征优点，能够实现多层次细致分类，并同时兼具较短的训练时长与较高的分类精度。该研究成果可为中国海岸带生态环境监测与土地利用规划提供一定技术支撑。     

面向飞行试验的多源气动数据智能融合方法

风洞试验和飞行试验是飞行器研制过程中进行气动性能分析与优化设计的重要手段，然而，在高超声速飞行条件下，真实气体效应、黏性干扰效应和尺度效应的复杂变化给气动数据精准预测带来巨大挑战。为了提升天地气动数据一致性，针对某外形飞行试验数据开展了典型对象的天地气动数据融合方法研究。结合数据挖掘的随机森林方法，本文提出了一种面向飞行试验的数据融合框架，通过引入地面风洞试验气动数据，实现了对复杂输入参数的特征分析与特征排序，进一步对不同飞行时刻下飞行试验的气动数据开展了交叉验证。结果表明随机森林的机器学习框架对风洞-飞行试验数据关联具有较好的预测与外推能力，可以有效提升气动数据预测精度，相关研究为复杂环境下气动数据多源融合提供了思路。     

基于EEG信号特征的脑力疲劳快速检测方法

空间站飞行过程中航天员容易产生脑力疲劳，其是影响作业效率和引起失误的主要因素。为此，研究人体脑力疲劳的快速检测方法，将有利于保障在轨运行安全。脑电波(EEG)的特征变化能够反映出大脑疲劳状态，但现有EEG方法分析脑力疲劳时需要多个导联的信号，这严重限制了其在空间站环境中的实际应用。通过地基实验，采用36 h睡眠剥夺的方式成功诱发出45名受试者的多种脑力疲劳状态。针对EEG信号的非平稳性，设计的8层db4小波变换结构，有效分解出了δ、θ、α和β脑节律波。先使用方差分析( ANOVA)和Logistic回归筛选出脑力疲劳敏感特征，再依据脑力疲劳敏感特征数量进一步筛选出脑力疲劳敏感导联，应用6个敏感导联的特征分别构建了随机森林回归模型。加权融合6个导联处的回归模型，形成脑力疲劳快速检测模型，其平均精确率高达85.25%。      

基于随机森林的物联网设备流量分类算法

物联网（IoT）设备流量分类对网络资产管理有重要意义，基于流量统计的分类技术是当前研究热点。已有算法主要基于流信息建立特征向量，而对数据包信息利用较少。改进了基于随机森林的物联网设备流量分类算法，基于流信息和流数据包信息共同建立特征向量。实验结果表明:所提算法与其他算法相比，所提算法的平均分类准确率由56%提高到82%，平均召回率由47%提高到67%，平均F₁得分由0.43提高到0.74，混淆矩阵对比也有明显提升，因此具备更好的分类效果。      

“珠海一号”高光谱数据城市不透水面提取研究

不透水面是评估城市化进程和评价城市环境的重要参考指标，研究城市不透水面的空间覆盖程度对城市生态环境保护、宜居城市建设具有重要意义。本文以“珠海一号”高光谱影像为数据源、珠海市陆域为研究区域，选取支持向量机和随机森林机器学习算法，结合光谱特征，实现城市不透水面信息提取。结果表明：使用“珠海一号”高光谱数据提取不透水面可行性较强，且支持向量机算法更适用于“珠海一号”不透水面提取，总体精度和Kappa系数分别达到92.4%、0.78；基于“珠海一号”高光谱数据进行城市不透水面提取，可为城市规划建设、分析城市土地扩张、评估城市灾害风险提供可靠理论依据和数据支撑。