智慧城市路网交通流量均衡性优化调度方法

早高峰和晚高峰时段的路网交通混乱,极易发生拥堵情况,为缓解交通系统压力,设计节点元胞划分下智慧城市路网交通流量均衡性优化调度方法。获取不同交通路线间的流量分离函数,定义路径交通流量和可用路段费用,得到出行者在某段路径上的概率函数,计算智慧城市路网各路段交通流量;获取流量守恒和车辆传递函数,计算可变元胞的单独序列,建立交通节点元胞划分模型;设计交通流量均衡性优化调度算法,得到城市路网均衡性的优化调度结果。设置仿真参数,对比优化前后三个路网模型的路径流量,仿真结果显示：早高峰和晚高峰时段路段内的路径流量明显降低,在其他时段,优化后的路径流量也不同程度下降,且路网模型越复杂,该优化方法的调度效果越好。     

改进图论法在河湖水系连通规划中的应用研究

通过分析感潮河网地区的河网水系特点、水动力条件和水环境现状,以基于“水流阻力”的图论连通度理论和“最短路”思想的水系连通性诊断和优化方法初步拟定连通方案,并采用一维水动力水质数学模型进一步细化方案。结果表明：通过图论初步拟定的最小阻力连通方案为结构连通性最优方案,数学模型细化方案后解决了由于水闸调度方式引起的连而不通的问题。该方法可快速诊断河湖水系的结构连通性,丰富了河湖连通诊断手段,可为珠三角感潮河网地区水系连通规划提供一定的参考。     

基于DSP和FPGA的高光谱图像处理系统设计

针对高光谱图像的处理系统需要具有数据吞吐率高、处理速度快及存储量大等特点,设计了一套以DSP和FPGA为核心处理器的嵌入式高光谱图像处理系统．系统采用USB接口10方式,选用TI公司TMS320C6000系列DSP和Altera公司的CycloneⅡ系列FPGA作为核心器件．首先给出了硬件实现总体框图,然后介绍了所采用的芯片,并详细叙述了FPGA周围电路的连接及系统工作原理,最后利用高光谱图像目标识别算法对系统加以验证．     

水质模型在三峡库区中的应用研究进展概述

三峡水库部分支流富营养化及水华现象备受关注,水质模型对于其水环境的模拟已成为研究热点。文章阐述了机理性水质模型在三峡水库中的具体研究现状,在模型空间分布上介绍了三类用于三峡水库干支流的水质模型。     

基于结构化特征图谱的组合支持向量机非侵入式负荷辨识

非侵入式负荷监测是获取负荷数据、实现负荷感知的有效途径。为了使非侵入式负荷监测过程具有通用性和实用性,在不干扰用户情况下自动执行流程并达到高辨识精度,研究了一种结构化特征图谱下的组合支持向量机辨识方法。构建典型负荷的特征图谱将变化无序的波形数据转化为结构化特征数据,使其具有通用性与可分性。在结构化特征图谱基础上,研究构建典型负荷的支持向量机分类器模型,在基分类器基础上形成每类负荷的组合支持向量机分类器,利用“集弱成强”思想保证每类组合分类器具有高分类准确率,从而实现准确的负荷辨识。在构建形成通用的图谱与分类器模型基础上,即可通过事件波形提取、波形数据结构化及分类器判决的处理流程实现实时的非侵入式负荷辨识。通过实际采集的负荷数据进行验证,构建了典型负荷的特征图谱,基于组合支持向量机模型对多户的采集数据进行分类判决,对不同用户的负荷数据均达到了高准确率辨识,验证了该方法具有较好的通用性与有效性。     

基于CE-QUAL-W2模型的三峡水库神农溪库湾水流水温特性分析

三峡水库蓄水以来,库区干、支流水文水动力变化显著。通过现场观测和构建三峡水库神农溪支流库湾立面二维水动力模型(CE-QUAL- W2),对比研究了三峡水库不同时期水流、水温时空分布特征。研究结果表明:神农溪库湾水体整体流速缓慢,不同时期均存在不同强度的异重流现象,包括干流倒灌异重流和上游入流底部顺坡异重流;枯水运行期和汛前消落期干流水体从表层潜入库湾,强度较弱;汛期和汛末蓄水期存在中层倒灌并且强度较大,影响整个库湾;上游入流处由于来流水温一般低于库湾,存在入流底部顺坡异重流现象。库湾水温呈春夏升温、秋冬降温的变化趋势,一年四季均存在水温分层现象;但冬季分层相对较弱,其它季节水温分层明显;水温分层模式因异重流的存在,明显不同于一般水库的水温分层。对比分析表明,CE-QUAL-W2模型可较为准确地反映神农溪库湾水流及水温时空分布特性。研究可为更细化分析三峡水库神农溪库湾水流水温特性、开展水华预报提供技术支撑。     

建筑史课程创新性教学模式探索

文章借鉴国外一系列建筑史教学的优秀成果与经验,对扩展传统教学方法和增加实践教学环节进行了研究,形成了使抽象的课本知识和有益的实践活动联系起来的教学模式。通过一系列教学改革措施,学生获取知识、运用知识的能力和创新能力都得到了充分的锻炼和增强。     

基于多特征联合稀疏表达的SOM-K-means非侵入负荷辨识

非侵入负荷监测是全面感知负荷数据及能效优化的有效途径。当前非侵入式负荷监测算法的主要观测对象是具有调控潜力的负荷，但对于其中功率较小、负荷曲线相似的电器辨识准确率还不够理想，算法对先验数据的依赖程度较高。基于此，提出一种基于多特征联合稀疏表达的SOM-K-means非侵入式负荷辨识算法，该算法利用负荷特征训练得出最优字典，结合最优字典与多特征联合稀疏表示构建目标函数，求解多特征联合稀疏矩阵，克服了单类负荷特征限制识别负荷种类的问题；将多特征联合稀疏矩阵作为输入，结合自组织(self-organizing map, SOM)神经网络优化的K-means算法与平均绝对误差值进行快速辨识。最后，利用PLAID数据集进行了实验验证，结果表明，所提算法仅需迭代120次辨识准确率即可达到90%,提高了算法收敛速度，证明了该方法能够准确高效地实现负荷辨识。     

基于上采样金字塔结构的卷积神经网络的非侵入负荷辨识算法

非侵入式负荷监测（NILM）技术为需求侧管理提供了技术支撑,而非侵入负荷辨识是负荷监测过程中的关键环节。在负荷数据采样过程中无法实现长期的实时高频采集,得到的负荷数据还存在缺乏时序性的问题;同时,卷积神经网络（CNN）存在对低级信号特征表现不足的缺陷。针对以上两个问题,提出了一种基于上采样金字塔结构的CNN非侵入负荷辨识算法。所提算法直接面向采集到的负荷电流信号,利用上采样网络扩展数据在时间维度上的相关信息弥补数据的时序性,并通过双向金字塔一维卷积提取负荷信号的高级与低级特征,以对负荷特征进行全面利用,从而实现对未知负荷信号进行识别的目的。实验结果表明,基于上采样金字塔结构的CNN非侵入负荷辨识算法的识别准确率能够达到95.21%,且具有良好的泛化能力,可有效实现负荷辨识。