轴流压气机叶型的类/形函数表示方法及气动优化

利用分析函数表示叶型中弧线与厚度分布,结合准三维流动求解器以及序列二次规划算法对高负荷级的动叶和静叶进行了以减小落后角和气动损失为目标的气动优化。初始叶型为NACA 65叶型,中弧线采用广义抛物线表示,只用最大拱度和最大拱度位置控制;厚度分布采用一阶类/形函数表示,只用一个比例因子KR控制。叶型几何只用3个参数变量,实现对初始叶型的表达。优化后动叶和静叶设计点损失分别下降19%和7.4%,工作范围均有增加,静压比提高,优化叶型的气动分布符合可控扩散叶型的设计思想。     

基于卡尔曼滤波修正的多步风电功率预测

针对传统时间序列预测多步风速时不能预测突变风速使风电功率预测误差较大的问题,采用基于数值天气预报(numerical weather prediction,NWP)风速及历史风速修正的卡尔曼滤波法对NWP风速进行多步修正,并通过修正后的NWP风速进行多步功率预测,第16步风速平均绝对误差降低了0.47 m/s,将该修正NWP风速与支持向量回归相结合,构建风电功率预测模型。构建模型与ARIMA模型及NWP直接预测模型相比,误差分别降低了6.8%和8.4%。应用该模型对山东某地区风电场现场数据进行仿真测试,第16步预测准确率达到82.6%。     

基于序列模型的无线传感网入侵检测系统

随着物联网(IoT)的快速发展，越来越多的IoT节点设备被部署，但伴随而来的安全问题也不可忽视。IoT的网络层节点设备主要通过无线传感网进行通信，其相较于互联网更开放也更容易受到拒绝服务等网络攻击。针对无线传感网面临的网络层安全问题，提出了一种基于序列模型的网络入侵检测系统，对网络层入侵进行检测和报警，具有较高的识别率以及较低的误报率。另外，针对无线传感网节点设备面临的节点主机设备的安全问题，在考虑节点开销的基础上，提出了一种基于简单序列模型的主机入侵检测系统。实验结果表明，针对无线传感网的网络层以及主机层的两个入侵检测系统的准确率都达到了99%以上，误报率在1%左右，达到了工业需求，这两个系统可以全面有效地保护无线传感网安全。     

基于列表译码方法在查询访问模型下含错学习问题的分析

Regev在2005年提出了含错学习问题(LWE)，这个问题与随机线性码的译码问题密切相关，并且在密码学特别是后量子密码学中应用广泛。原始的含错学习问题是在随机访问模型下提出的，有证据证明该问题的困难性。许多研究者注意到的一个事实是当攻击者可以选择样本时，该问题是容易的。但是目前据作者所知并没有一个完整的求解算法。该文分析了查询访问模型下的带有错误学习问题，给出了完整的求解算法。分析采用的工具是将该问题联系到隐藏数问题，然后应用傅里叶学习算法进行列表译码。     

基于经验模态分解的冷水机组能耗预测模型

针对实际工程中采集的磁悬浮冷水机组的功率时间序列多为非线性、非平稳信号的问题,提出基于经验模态分解的机器学习能耗预测模型,此模型从信号本身尺度特征出发对信号进行分解,具有良好的局部适应性。将基于经验模态分解的机器学习模型预测结果与原始机器学习模型的预测结果进行比较,结果表明,采用经验模态分解的磁悬浮冷水机组能耗预测模型能够提高预测精度。