我国水-能源-粮食耦合关系及影响因素

为缓解我国水、能源和粮食资源紧张问题，促进资源可持续利用，构建水-能源-粮食系统，利用耦合协调度模型对我国的30个省（自治区、直辖市）进行测算,并利用空间杜宾模型分析主要影响因素。结果表明：2003—2017年，我国能源、粮食评价[JP]指数高于水资源评价指数，系统综合评价指数逐年递增；大部分省份耦合协调度处于初级协调水平且呈现逐年上升的态势，个别省份耦合协调度濒临失调；耦合协调度空间自相关性较强，虽有明显波动，但是呈现逐年加强的态势；影响耦合协调度的主要因素有从业人口数、固定资产投资额、人均生产总值、人口总数、[JP]文盲人口占比、工业污染排放、城镇化。     

基于网络的决策支持系统在水资源管理中的应用

综述了决策支持系统(DSS)与基于网络的决策支持系统(Web-based DSS)在水资源管理中的应用概况,通过对二者进行比较,指出Web-based DSS具有便于系统更新维护、降低用户使用门槛、扩展用户沟通渠道等优势。对Web-based DSS涉及的基础应用开发、多源信息采集与集成、多模块并行耦合、决策效果评估等关键技术进行了分析,探讨了Web-based DSS在多源异构大数据环境下面临的问题与挑战。     

CDBN‑IKELM的轴承变工况故障诊断方法

针对现有方法在轴承变工况方面存在的诊断精度低、人工提取特征不充分等问题，提出了基于卷积深度置信网络（convolutional deep belief network，简称CDBN）与改进核极限学习机 （improved Kernel?based extreme learning machine，简称IKELM）的滚动轴承故障智能识别方法。首先，由卷积深度置信网络对原始信号内的故障特征进行深层自适应提取；其次，利用等距特征映射对提取的多维特征进行降维，去除冗余特征信息；然后，采用改进的核极限学习机对特征进行分类，使用粒子群（particle swarm optimization， 简称PSO）对模型重要参数进行优化，实现滚动轴承变工况下的故障识别；最后，将所提方法应用于不同工况下多种轴承故障的诊断。实验结果表明，该方法能够智能有效地识别变工况的轴承故障，诊断结果优于已有的智能故障诊断方法。     

基于改进粗糙集的混合传感器节点分类算法

混合传感节点的属性较难形成统一识别特征，其节点属性约简过程复杂，存在分类时间长及分类性能差的问题。为此，提出了基于粗糙集的混合传感节点高精度分类算法。在初始化传感节点的基础上计算适应度值，利用遗传算法优化粗糙集修正校验结果，获得统一编码形式的节点。在此基础上，排除了属性权重为“0”的属性，完成节点属性约简。再利用普通分类方法和高级分类方法结合的方式，进行混合节点分类。根据约束条件选取对应的分类方法，实现混合传感节点高精度分类。仿真结果表明，所提算法的分类用时低于520 ms，且该方法的查全率、查准率及F1值均高于对比方法，混合传感节点分类性能较好。     

蜂窝网络用户上行覆盖率的数值计算方法

对于蜂窝用户上行覆盖率这类含无穷上限的多重积分公式,直接调用积分函数进行计算耗时长且无法确保收敛。文章提出通过逐层分析被积函数特征来缩小积分区间,从而提高计算速度并保证收敛性。为验证方法的准确度,与一种特殊情况下的解析式和仿真结果进行比较,结果显示差异可忽略;同时,与直接进行无穷积分的方法进行比较,显示计算时间至少节省一半以上,且随着用户密度的降低,本方法计算效率方面的优势更加突出。     

基于平均飞行航迹的CCO减噪效用研究

近年来，通过优化飞行程序降低机场飞机噪声影响成为机场环境保护的重要研究方向。文章首先建立了基于飞机“噪声-功率-距离”数据的噪声计算模型，介绍了平均飞行航迹以及连续爬升运行(Continuous Climb Opera-tion, CCO)离场程序的相关理论，最后以大型国际机场为实例，使用飞机平均飞行航迹进行噪声预测，运用综合噪声模型计算出噪声影响面积并绘制噪声影响等值线图，比较了CCO离场相对常规的标准仪表离场(Standard Instru-ment Departure, SID)的降噪效果。结果表明，CCO离场程序可有效降低机场噪声影响，在高噪声级影响区域的降噪效果更佳。     

疫情下电磁场理论课程的网络教学

本文主要总结了新冠疫情期间作者的电磁场理论课程在线教学经验。对比分析了录播和直播的优缺点后,选择录播教学方式。基于超星网络教学平台,展示了录播网络教学的具体措施,包括网上答疑和学习效果检查以及在线批改作业等。给出了网络教学可以为线下教学继续使用的方法和手段,为疫情结束后的正常教学提供了新的网络教学补充措施。     

5G核心网业务模型的智能化预测研究

摘 要：核心网业务模型的建立是5G网络容量规划和网络建设的基础，通过现有方法得到的理论业务模型是静态不可变的且与实际网络存在偏离。为了克服现有5G核心网业务模型与现网模型适配性较差以及规划设备无法满足用户实际业务需求的问题，提出了一种长短期记忆（long short-term memory，LSTM）网络与卷积LSTM （convolution LSTM，ConvLSTM）网络双通道融合的 5G 核心网业务模型预测方法。该方法基于人工智能（artificial intelligence，AI）技术以实现高质量的核心网业务模型的智能预测，形成数据反馈闭环，实现网络自优化调整，助力网络智能化建设。