一种基于路由表的无线传感器网络路由协议

路由协议是无线传感器网络研究的关键内容之一。提出了一种基于路由表的无线传感器网络路由协议SPBT。该路由协议采用路由表简化了数据传输过程,节省了能量;同时采用兼顾能量均衡和路径优化的策略建立数据传输路径,并且为了提高数据传输的可靠性采用了回溯策略。通过仿真,把该协议和基于协商机制的SPIN协议进行了比较,结果表明,SPBT协议具有良好的能量有效性、能量均衡性、较低的数据传输延迟和较高的数据投递率。     

ARIMA和LSTM方法长时间温度观测数据缺失值插补的比较

针对野外小气象观测站点半小时温度观测长时间数据缺失问题,结合较低频次的人工温度观测数据,采用时间序列分析和深度学习等方法,对缺失的半小时温度观测数据进行高精度插补。首先,选用深度学习数据插补中的序列-序列（Seq2Seq）方法,建立了适合高精度温度数据插补需求的编码-解码深度学习模型BiLSTM-I;然后,选用了传统的代表性方法,从时间序列回归分析——差分整合移动平均自回归模型（ARIMA）状态方程形式中,获取卡尔曼平滑状态估计方程的各项参数,由卡尔曼平滑估计实现对温度观测数据缺失值的插补。实验分析结果表明,所设计的BiLSTM-I深度学习气温插补方法要优于时间序列的双向递归插补方法（BRITS-I）。对缺失值时间窗口为30 d的测试集,测试结果中均方根误差（RMSE）为0.47℃,相较于BRITS-I得到的RMSE,精度提升了0.90;对缺失值时间窗口为60 d的测试集,RMSE为0.49℃,相较于BRITS-I得到的RMSE,精度提升了0.90;基于ARIMA状态模型的插补方法也有较高的精度,RMSE为0.75℃。最后,还分析了BiLSTM-I深度学习插补方法对不同温度缺失时间长度...     

超声辅助热碱洗-电化学法联合处理含油浮渣

含油浮渣处理一直是炼油企业的环保难题。采用超声辅助热碱洗-电化学法联合处理含油浮渣,先通过L（933）正交实验确定超声辅助热碱洗的最优反应条件,再通过单因素实验优化电化学反应条件。结果表明：当碱洗pH=10、温度=75℃、超声功率=700W时,超声辅助热碱洗可将浮渣干基含油率由27.35%降至17.38%。以Ti/Ru...     

基于ZigBee的船舱环境参数监控系统研究

通过IAR Embedded Workbench软件编译船舱环境采集系统程序,采用单播形式建立底层ZigBee通信网络,环境采集系统MCU采用CC2530芯片,并设计合理的外围电路,实现船舱温湿度及LED光强信息的实时采集.在船舱不同位置布置超声增湿器和PWM无极调光系统,对不符合舱室要求的环境实时调节控制,同时和船舶空调系统对比,通过船舶局域网,把ZigBee采集的信息传送到管理中心,上位机通过LabVIEW进行仿真研究,实时监控船舱的环境动态,通过实验分析,系统可以很好的监控船舱环境,达到理想效果.     

物联网技术在煤炭物流中的应用

物联网技术飞速发展,把物联网技术融入到煤炭物流中势在必行。认为现阶段煤炭物流中存在问题,表现在:在仓储和过磅环节中存在效率低下、人为因素干扰严重的问题、运输环节存在偷盗置换、交通拥堵的问题。对物联网技术在煤炭物流关键环节中的运用进行了研究,提出了车辆识别、智能过磅、视频监控、GPS定位、电子封签等具体应用形式,形成了一套新的管理模式。最后,通过物联网技术在山西某煤矿的应用实例,验证了物联网技术在煤炭物流中应用可以为企业带来巨大的效益。     

基于深度学习的温度观测数据长时间缺失值插补方法

完整高精度的温度观测数据是农业气象灾害监测、生态系统模拟重要的输入参数.由于野外气象观测条件的限制,气象观测数据缺失现象是常态,数据插补方法是气象数据应用必要处理步骤.本文针对野外小气象观测站站点半小时温度观测数据长时间缺失值问题,结合同一地点较低频次的人工温度观测,构建了新的温度缺失值插补深度学习模型,对缺失的半小时...     

ARIMA和LSTM方法长时间温度观测数据缺失值插补的比较

针对野外小气象观测站点半小时温度观测长时间数据缺失问题,结合较低频次的人工温度观测数据,采用时间序列分析和深度学习等方法,对缺失的半小时温度观测数据进行高精度插补。首先,选用深度学习数据插补中的序列-序列（Seq2Seq）方法,建立了适合高精度温度数据插补需求的编码-解码深度学习模型BiLSTM-I;然后,选用了传统的代表性方法,从时间序列回归分析——差分整合移动平均自回归模型（ARIMA）状态方程形式中,获取卡尔曼平滑状态估计方程的各项参数,由卡尔曼平滑估计实现对温度观测数据缺失值的插补。实验分析结果表明,所设计的BiLSTM-I深度学习气温插补方法要优于时间序列的双向递归插补方法（BRITS-I）。对缺失值时间窗口为30 d的测试集,测试结果中均方根误差（RMSE）为0.47℃,相较于BRITS-I得到的RMSE,精度提升了0.90;对缺失值时间窗口为60 d的测试集,RMSE为0.49℃,相较于BRITS-I得到的RMSE,精度提升了0.90;基于ARIMA状态模型的插补方法也有较高的精度,RMSE为0.75℃。最后,还分析了BiLSTM-I深度学习插补方法对不同温度缺失时间长度...     

基于自适应遗传算法的交通信号配时优化

研究城市交通信号设置问题中对单交叉口多相位交通流建立了动态信号配时模型,以交叉口车辆平均延误最小为控制目标,以相位绿灯时间和周期时长为控制变量,并运用自适应遗传算法对控制变量进行优化.根据实时交通流数据,通过MATLAB平台进行仿真.结果表明,自适应遗传算法能够有效降低车辆平均延误,在优化过程中比简单遗传算法具有更好的搜索能力和解质量,其良好的优化性能有助于优良配时方案的产生,同时也提高了交通分配模型的实用价值.