基于MATLAB灰色Elman网络中长期电力负荷预测

良好的负荷预测模型能够精准且快速地计算预测值,有利于合理地规划分配电能,提升电网运行稳定性.基于MATLAB搭建灰色Elman网络电力负荷预测模型,参考安徽省淮南市"十三五"能源规划[1],以对淮南市进行中长期电力负荷预测为例,同时设置基于MATLAB搭建的Elman网络和灰色理论中的GM(1,1)模型为对照组进行对比仿真实验.提出灰色Elman网络相比对照组具有更高的运算精度,灰色Elman网络对比Elman网络有更好的训练效果.     

热处理工艺对超厚Q345R(R-HIC)容器封头钢板显微组织和力学性能的影响

试验用146 mm厚Q345R(R-HIC)钢板中存在带状偏析,采用880℃×3 h工艺进行奥氏体化正火水冷+回火后,偏析组织为贝氏体条带。提高正火温度至910℃,带状偏析明显减轻,铁素体形状从尖锐的针片状转变为块状,贝氏体、珠光体含量降低,强度提高至合格值,且低温冲击韧性的稳定性增加。     

《战术导弹技术》征稿启事和投稿须知

《战术导弹技术》由中国航天科工集团有限公司主管、中国航天科工飞航技术研究院主办、北京海鹰科技情报研究所承办,是为导弹的研究、设计、制造、试验、使用服务的综合性学术技术类刊物。本刊创刊于1980年、双月刊,是中文核心期刊、中国科技核心期刊,国内外公开发行,为《中国学术期刊综合评价数据库》来源期刊,被《中国学术期刊(光盘版)》《中国期刊网》及俄罗斯《文摘杂志》(AJ)收录。     

基于像素偏转模型和机器学习的室外图像天空像素检测

图像中的天空区域对于基于视觉的地面机器人导航具有重要意义,为了识别图像中的天空部分,本文提出了一种基于像素偏转模型的BP神经网络天空识别方法.首先,制作天空图像集和非天空图像集,天空图像集由各种天气情况下的天空提取而成,非天空图像集由非天空的景物构成,主要包括建筑、汽车、树木、植物等;其次,使用提出的像素偏转模型提取天空图像集和非天空图像集的像素特征并进行处理,对天空像素点和非天空像素点进行标注,利用BP神经网络对像素特征进行训练,得到权重文件;最后,使用得到的权重文件进行天空的识别.为了更好的说明本文算法和模型的优越性,使用本文算法与Otsu算法、YeHu算法、Graph-cut算法和Mask-Rcnn算法模型进行了比较,并设计了两组组对比实验,第一组实验进行识别效果的主观评价,第二组实验利用CamVid数据集的天空类进行算法精度的定量分析.     

地铁机电安装绩效领先指标自动预测方法

目前的绩效领先指标的预测中对样本数据的平稳性考虑不足,样本数据波动性大,影响最终的预测准确性.因此提出地铁机电安装绩效领先指标自动预测方法,首先对影响项目绩效的指标进行拟定描述,确定指标后使用Lasso方法来确定其中变量对绩效指标影响程度,然后使用ADF单位根检验法对相关波动数据进行平稳化处理,运用BP神经网络技术来实现自动预测.为了验证设计方法是否满足设计目的 ,设计实验,使用某地铁机电安装工程的数据作为样本数据并进行自动预测,预测结果显示:本文设计方法对比其他方法结果更接近实际值,设计满足设计要求.     

ZIF衍生氧还原反应催化剂的研究进展

从沸石咪唑酯骨架材料(ZIF)衍生的含过渡金属催化剂出发,介绍ZIF衍生催化剂前驱体的制备和热解温度、气氛对催化剂的影响,总结ZIF衍生的铂和非贵金属催化剂材料用于氧还原反应(ORR)的研究进展.提出有关ZIF衍生ORR催化剂发展面临的实际应用挑战和活性位点探究问题.     

基于灰色模型与ARIMA模型的股票价格预测

以三只股票的历史数据作原始序列,建立了GM(1,1)模型与ARIMA自适应过滤组合模型.分析两种模型的应用场景,并以ARIMA模型为基础建立股价反转判断模型.实验证明,所建立的模型在短期内的拟合、预测与反转判断效果较为理想.     

基于GA-BP的汽车风振噪声声品质预测模型

目前对于汽车风振噪声的优化研究主要以声压级（Sound pressure level，SPL）作为单一评价指标，既不能全面反映噪声的物理属性，也无法考虑人耳对噪声的主观认知过程。为准确评价风振噪声，引入声品质，运用大涡模拟（Large eddy simulation，LES）对风振噪声进行数值仿真，根据实车道路试验判断仿真的准确性；对仿真结果进行声品质客观评价与主观评价，综合声品质客观评价参数与声品质主观评价试验结果建立BP神经网络预测模型；利用遗传算法（Genetic algorithm，GA），进一步对BP神经网络的结构参数进行优化，建立GA-BP声品质预测模型。研究结果表明，GA-BP声品质预测模型在训练速度和预测精度上都优于BP神经网络预测模型。预测模型基于声品质主客观评价结果，其预测值可以代替传统的声压级评价指标，为风振噪声提供更为准确合理的评价。     

基于堆叠稀疏去噪自动编码网络与多隐层反向传播神经网络的铣刀磨损预测模型

刀具磨损状态是机械加工过程中需考虑的重要因素之一.针对铣刀磨损的在线预测问题,建立了一种基于深度学习的铣刀磨损预测模型.首先,将采集到的铣刀切削时的振动信号进行小波去噪后,利用快速傅里叶变换和小波包分解等技术提取时域、频域及时频域上的特征参数,并根据相关性分析从中筛选出合格的特征参数合并为特征向量,以此作为堆叠稀疏去噪自动编码网络(SSDAE)的含噪样本.其次,利用特征后处理的方式对已经筛选出的特征参数进行单调不递减及平滑处理,并将其作为SSDAE的无噪样本来训练该网络.然后,将经过SSDAE降维后的特征向量作为多隐层反向传播神经网络(BPNN)的输入,以这些特征对应的实际铣刀的磨损量作为标签对该网络进行拟合训练.最后,对训练好的模型进行实验验证,通过测试数据集和人为加入噪声的测试数据集的对比,结果显示所提模型不仅具有较高的预测精度,还具有较高的鲁棒性.