高压电气设备支架串联体系地震响应半解析法

通过论述高压电气设备支架串联体系地震响应半解析法的运算过程,说明地震响应半解析法对于电力系统防震工作的帮助。     

TDR特性阻抗测试技术应用

当传输线的阻抗不连续时,将会产生多重反射,并破坏电路系统信号的完整性。通常使用时域反射计法（TDR）测量传输线的特性阻抗值。TDR法测试具有快速、简单、经济、实用、精度较高的特点。该测试方法又分为单端测量和差分测量两种,目前,单端测量的结果比较稳定,也较为常用。     

古尔班通古特沙漠梭梭林地NDVI的时间效应-基于物候变化和MODIS图像的研究

遥感图像信息提取研究是遥感研究中的一个关键问题,也是遥感研究的热点和难点之一。使用2000~2010年MODIS-NDVI 16 d合成数据和物候记录,借助GIS空间分析和统计分析方法,重构了古尔班通古特沙漠梭梭林地Mean NDVI时间序列特征曲线。分析物候与Mean NDVI时间序列表明,梭梭林地内的短命植物生长期早于梭梭。研究梭梭林地Mean NDVI时间序列曲线发现,曲线中存在一个明显区别于其他地物的特征点,该点可以作为梭梭林地信息“诊断点”。根据“诊断点”特征构建了梭梭林地特征指数模型(HFFI),进而反演了古尔班通古特沙漠梭梭林地信息,并利用地面实际观测资料进行验证,结果表明分类精度达到83%。     

松材线虫病害高光谱时序与敏感特征研究

采用高光谱仪ASD FieldSpec Pro FR,连续观测了健康和发病马尾松针叶的时序高光谱,分析了松材线虫病害光谱的时序特征、敏感时期和敏感特征。结果表明:与健康马尾松相比,病害马尾松时序光谱差异较大;病害首先造成红边区域内光谱反射率减低,然后再出现红边蓝移的2阶段光谱变化规律;感染松材线虫的马尾松9月初已经出现了病态植被典型的光谱特征;近红外平台内最大的一阶微分值、红边内一阶微分的总和(SDr)与蓝边内一阶微分的总和(SDb)的比值等是指示病害发生的显著性高光谱特征。     

基于动态时间规整的手势加速度信号识别

为了提高基于加速度传感器的动态手势识别算法的性能,本文采用了动态时间规整(DTW)识别算法。通过该算法计算测试模板和参考模板的相似度,从而得出识别结果。为了验证该方法,建立了一套手势加速度无线采集系统,并采集了41个志愿者的手势信息。实验结果表明,该方法手势平均识别率在97%以上。与HMM识别算法相比,DTW识别算法在识别的准确率上比HMM识别算法更具优势。     

基于时空图卷积网络的多变量时间序列预测方法

为了扩大时空图卷积网络的预测范围,将它应用在关联关系未知场景下的多变量时间序列预测问题,提出一种附加图学习层的时空图卷积网络预测方法（GLB-STGCN）。图学习层借助余弦相似度从时间序列中学习图邻接矩阵,通过图卷积网络捕捉多变量之间的相互影响,最后通过多核时间卷积网络捕捉时间序列的周期性特征,实现对多变量的精准预测。为验证GLB-STGCN的有效性,使用天文、电力、交通和经济四个领域的公共数据集和一个工业场景生产数据集进行预测实验,结果表明GLB-STGCN优于对比方法,在天文数据集上的表现尤为出色,预测误差分别降低了6.02%、8.01%、6.72%和5.31%。实验结果证明GLB-STGCN适用范围更广,预测效果更好,尤其适合自然周期明显的时间序列预测问题。     

2010—2019年黄河干流兰州和白银段水质时空变化特征

基于综合污染指数法,结合单因子污染指数法及累积距平法等多种统计分析方法,定量分析了黄河流域兰州和白银段7个监测断面水质时空变化特征。结果表明:兰州段和白银段2010—2019年水质综合状况良好,各监测断面综合污染指数均在0.25以下;监测断面水质空间差异显著(P<0.05),兰州段整体水质优于白银段,扶和桥断面水质显著优于除新城桥外的其他断面(P<0.05);季节方面,兰州段综合污染指数在春、冬季高于夏、秋季(P<0.05),白银段水质季节性波动不明显;兰州段水质明显改善始于2014年,且经历了综合污染指数平稳下降(2014—2017年)和快速下降(2018—2019年)两个阶段;白银段水质发生转变时间滞后于兰州段(2016年),2017—2019年水质明显好转。     

空天地一体化遥感技术在安徽省2020年汛情监测中的应用

遥感技术能够快速反应、实时监控,成为汛情监测不可或缺的重要手段。安徽省内多大江大河,且降水集中在汛期,防汛工作压力大。2020年汛期,安徽省出现全省范围的特大汛情,淮河、长江、新安江三大流域接连告急。介绍了空天地一体化遥感技术在本次汛情监测中的应用:以国产高分系列卫星数据为主要数据源的航天遥感技术,以无人机拍摄为主要手段的航空遥感技术和以现场勘察为主的地面遥感技术一体化调度,为汛情监测提供了可靠的信息来源和有力的技术支撑。     

结合模糊控制的时序数据预测循环神经网络

时序数据处理任务中,循环神经网络模型以及相关衍生模型有较好的性能,如长短期记忆模型(LSTM),门限循环单元(GRU)等.模型的记忆层能够保存每个时间步的信息,但是无法高效处理某些领域的时序数据中的非等时间间隔和不规律的数据波动,如金融数据.本文提出了一种基于模糊控制的新型门限循环单元(GRU-Fuzzy)来解决这些问题.本文在GRU的基础上对记忆层增加了一个子空间分解,由模糊控制模块和一个启发式的失效函数组成,根据数据波动和时间间隔决定记忆层保留的信息量,从而提升模型性能.实验表明,相比于其他的循环神经网络模型,在标普500和上证50中选出股票的股价预测任务中,本文提出的模型有较好的表现.     

Hybrid function projective synchronization of chaotic systems with uncertain time-varying parameters via Fourier series expansion

In this paper, the hybrid function projective synchronization (HFPS) of different chaotic systems with uncertain periodically time-varying parameters is carried out by Fourier series expansion and adaptive bounding technique. Fourier series expansion is used to deal with uncertain periodically time-varying parameters. Adaptive bounding technique is used to compensate the bound of truncation errors. Using the Lyapunov stability theory, an adaptive control law and six parameter updating laws are constructed to make the states of two different chaotic systems asymptotically synchronized. The control strategy does not need to know the parameters thoroughly if the time-varying parameters are periodical functions. Finally, in order to verify the effectiveness of the proposed scheme, the HFPS between Lorenz system and Chen system is completed successfully by using this scheme.