论涨差～落差关系及其在水位演算中的应用

河道洪水演算一般用流量演算法,但不能用于预报。而相应洪峰水位法只适用于预报洪峰水位,很难预报水位过程。本文根据河相关系涨差比落差的原理,提出三种预报水位过程的方法。(1) 据实测记录绘制下游站涨差与落差的关系曲线,用于预报。(2)相应涨差法:以上游站的涨差与下游站后一:时段的相应涨差建立关系,用于预报。(3)加权水位法:建立加权水位关系。以时段初的上、下断面水位预报时段末的下断面水位。     

粒子群优化加权灰色回归组合的卫星钟差预报

为了提高卫星钟差预报的精度和稳定度,提出了一种基于粒子群算法优化指数函数和线性函数逼近的加权灰色回归组合的自适应卫星钟差预报方法.该方法首先在建模之前考虑到卫星钟差钟跳频繁的现象,采用中位数法探测钟跳数据并将其剔除后,采用分段线性插值法将缺失的钟差数据补齐;然后考虑到卫星钟差存在系统噪声,采用三点平滑法对钟差数据进行平滑处理后,建立了以指数函数和线性函数逼近加权灰色回归组合的卫星钟差预报模型.针对模型中的精度递增因子难以确定的问题,采用粒子群优化算法对精度递增因子进行自适应寻优.最后,采用IGS服务器上发布的事后精密卫星钟差产品,并结合4种典型变化趋势的卫星钟差进行了6 h的预报试验.试验结果表明:该方法的预报性能明显优于其他几种常用模型,其6 h的平均预报精度(RMS)和稳定度(Range)相对于常用的二次多项式预报模型、灰色预报模型、修正指数曲线法预报模型和自回归滑动平均预报模型分别提高了79.10%、44.00%、80.70%、32.30%和63.10%、29.80%、77.60%、26.30%.     

灰色粒子群自适应卫星钟差预报方法

高精度卫星钟差预报是当前接收机实时精密单点定位技术(Real-time precise point positioning,RT-PPP)亟需解决的关键技术难题之一.为找到一种基于小样本钟差序列的快速高精度卫星钟差预报方法,在分析常规GM(1,1)灰色模型(grey model)缺点的基础上对其进行了改进,提出了PGM(1,1)模型(particle swarm optimization-grey model)及其算法.该模型利用最新量测值进行初始化,然后通过引入遗忘因子的最小二乘法对新旧信息进行加权处理;再引入优化因子对模型系数进行调节,以归一化的平均相对误差作为精度检验标准,采用粒子群算法对其自适应寻优.最后选取了5颗钟差变化典型的GPS(global positioning system)卫星原子钟进行1 d内的精密钟差预报实验.结果表明,相对于常规GM(1,1)灰色模型和常规二次项拟合模型,所提出的模型及其算法预报精度有显著提升,其平均预报残差达到了亚纳秒级,且所需训练样本小.因此,该预报模型可以应用于卫星钟差快速精准预报.     

基于GM(1,1)和D-MECM的钟差预报方法

针对单一钟差预报模型在建模数据量较少时中长期预报精度不足的问题,提出了基于灰色模型和一阶差分修正指数曲线法的组合预报模型。首先基于少量数据建立灰色模型并预测未来一段时间的钟差数据,再将其作为一阶差分修正指数曲线模型的建模数据,进行钟差的中长期预报。仿真结果表明,组合预报模型能够基于少量历史数据对钟差进行高精度的中长期预报。采用卫星共视仪采集的精密钟差数据进行实验,并与单一二次多项式模型和灰色模型进行对比,结果显示:使用5h的钟差数据进行建模并预报未来48h钟差数据时,二次多项式模型和灰色模型的平均预报精度分别为285.06ns和91.11ns,而组合模型的平均预报精度可达29.48ns,相比于单一二次多项式模型和灰色模型,分别提高了89.66%和67.64%。     

基于IGU钟产品的钟差预报影响因素分析

建立基于钟差预报多项式模型的多项式模型加周期项、多项式模型与灰色模型组合的钟差预报改进模型,同时考虑起始偏差改正的影响。利用IGS超快速产品的实测钟差(IGU-O)数据进行建模预报,将预报结果与IGS超快速产品的预报钟差(IGU P)进行比较,分析各模型的预报效果及其与原子钟类型和预报时间段的关系,同时分析钟漂、周期误差、随机误差以及系统误差对预报结果的影响。     

水文中长期预报成因综合分析方法

根据成因分析提出考虑预报因子权重的一个综合指标;根据误差分布理论提出模型误差的限差公式,建立了水文中长期预报的一个综合分析模式,实例说明是有效的。     

基于统计降尺度方法的夏季降水精细化预报

利用1999—2009年安徽省淮河以南地区60个县市站夏季逐日降水资料和安庆市探空站逐日资料,研究了中低层不同风向配置下局地降水与大尺度降水场之间的关系,以3种不同预报对象及相应的预报因子分别采用神经网络和线性回归方法设计6种预报模型对观测资料进行逼近和优化,从而实现空间降尺度.分析对比6种预报模型46站逐日降水量的拟合和预报效果,结果表明:采取相同的预报对象及预报因子的BP神经网络模型在拟合和预报效果上均好于线性回归模型,可见夏季降水场之间以非线性相关为主;神经网络模型预报结果同常用的Cressman插值预报相比,能很好地反映出降水的基本分布及局地特征;预报对象为单站降水序列的神经网络模型在以平原、河流为主要地形的区域预报效果较好,预报对象为REOF主成分的神经网络模型则在山地和丘陵地形区域预报效果较好.     

时变参数洪水预报模型应用中预报时机的分析

考虑渗漏损失的马斯京根河道洪水演算模型的时变参数法适用于北方平原河道洪水预报,由于该法是在下游预报断面有实测流量后方可进行,洪水预报的预见期相对较短。文中以中国洪水预报系统为平台,结合多年的预报经验,分析了洪水预报时机的选择问题。黄壁庄~北中山、岳城~蔡小庄1996年洪水及东茨村~新盖房2012年洪水的预报时机分别为洪峰出现前11 h,23 h,17 h。预见期越短,模型预报成果的精度越高,并趋于稳定;预见期不可盲目延长,预报时刻应选在下游预报断面流量开始起涨后。通过分析较好地解决了洪水预报的预见期与预报成果精度的矛盾。     

玉米多级顺流干燥过程的模拟模型

建立了一个用于模拟玉米多级顺流干燥过程的数学模型.该模型主要包括干燥过程和缓苏过程两部分.重点研究了用于描述玉米内部水分迁移过程的扩散方程.并给出了相应的算法.整个模型采用阿当姆斯预报一校正方法数值求解.     

AR模型参数自适应估计方法研究及应用

为了提高AR模型参数估计的精度和收敛速度,提出基于卡尔曼(Kalm an)滤波原理的AR模型参数估计方法.把AR模型参数向量作为状态向量,利用随机游动模型建立系统的状态方程,由观测数据建立系统的观测方程,应用卡尔曼(Kalm an)滤波原理求得参数向量的最小方差估计.将该方法应用于船舶运动实时建模预报中.仿真研究表明本文提出的基于Kalm an滤波算法的AR模型在预报精度以及收敛速度方面均优于基于递推最小二乘法(RLS)和最小均方(LMS)算法,该算法具有较强的鲁棒性,降低了实时在线预报时通信故障所引起的数据缺失对预报精度的影响.该方法在理论和工程应用方面具有重要的意义.     

Catastrophe model and its experimental verification of static loading rock system under impact load

According to the catastrophe model for impact buckling of static loading structures, a new catastrophe model for impact loading failure of a static loading rock system was established, and one dimension （1D） catastrophe model was analyzed. The analysis results indicate that the furcation collection where catastrophe may take place is not only decided by mechanical system itself but also relates to exterior loading, which is different from the results obtained under mono-static loading where the bifurcation collection is only determined by mechanics of the system itself and has nothing to do with exterior loading. In addition, the corresponding 1D coupled static-dynamic loading experiment is designed to verify the analysis results of catastrophe model. The test is done with Instron 1342 electroservo controlled testing system, in which medium strain rate is caused by monotony rising dynamic load. The parameters are obtained combining theoretical model with experiment. The experimental and theoretical curves of critical dynamic load vs static load are rather coincided, thus the new model is proved to be correct.     

基于序结构的模糊规划问题求解方法

针对考虑多目标非线性规划的情况,建立了一类生产系统中的模糊规划模型.模型中不仅约束资源是模糊的,而且约束函数的系数也是模糊的.基于Yager的判断模糊数大小的序结构把模糊规划问题转化为传统的规划问题,并用M atlab进行求解.最后给出实例说明方法的有效性及其优越性.     

ERP在石油天然气企业中运用对会计工作的影响

ERP(Enterprise Resources Planning)在石油天然气企业中的应用,不仅引起了传统企业会计作业模式向新模式进行转移,而且使得会计职能、会计人员角色也发生了一些新的变化。     

砌体墙板状态数值模型及其破坏模式预测

为了更加准确地预测砌体墙板的破坏模式,本文进一步发展了砌体墙板状态离散级数型细胞自动机模型,提出了细胞自动机模型中状态值的两种新的计算方法,一是基于砌体墙板有限元分析的物理细胞自动机模型;二是基于边界约束对板内区域效应的解析型细胞自动机模型．然后,对两个新的状态数值模型与原细胞自动机状态数值模型进行了举例验证．继而,提出了相对变异系数的概念,并将其融入了离散级数型和解析型细胞自动机模型．通过对相对变异系数适用性的探讨,给出了基于一块试验墙板、预测另一墙板可能出现的一组破坏模式的初级方法．与试验记录对比表明,该方法的预测结果可靠．     

移动IPv6网络中Anycast服务的实现

提出了一种基于树状结构的在移动IPv6网络中实现Anycast服务模型,该模型采用了Unicast与Multicast技术。在该模型中,每个组成员只通过一个归属地址(无需转交地址)就可以完成与客户端的数据通信;组成员移动到外区时,无需向归属代理注册,也无需在归属代理与转交地址之间建立隧道,针对路由优化情况,Anycast组成员也无需向客户端发送转交地址的绑定消息;根据网络的拥挤情况动态地选择最优组成员,解决了在移动IPv6网络中IPSec很难实现的问题。在IPv6模拟环境下,实验数据证明了该模型的实用性、有效性以及高效性。     

雷达与被动传感器数据关联算法研究

异类传感器的信息融合问题是一个重要而又困难的研究课题：针对雷达与ESM(Electronic Support Measurement)的航迹关联问题，提出基于位置和属性单一信息的单目标规划模型，在此基础上，构建基于位置与属性联合信息的多目标规划算法模型，然后将多目标规划问题转化为单目标规划问题进行求解，并将其求解结果与仅根据来自位置或属性单一信息进行数据关联的单目标规划问题的实验结果进行比较：仿真结果表明，新算法的目标正确关联概率明显提高，是雷达与ESM数据关联的一种新的有效算法。     

电力负荷预测的自适应对称调和遗传算法ANN耦合模型

针对遗传算法存在求解精度与收敛速度间的矛盾,提出一种新的自适应对称调和遗传新算法.该算法中交叉率(crossover rate)和变异率(mutation rate)随着染色体(chromosome)的适应度函数值(fitness value)动态改变,同时在产生子代(child)新种群(group)的过程中来源不是单一的父代(parent)种群,而是由三部分组成,即父代种群中的最优个体直接进入子代种群、通过选择交叉操作产生部分新的个体、投放部分特殊个体.建立了新算法与人工神经网络结合的电力负荷预测耦合模型,并以四川电网负荷实例进行验证.结果表明,自适应对称调和遗传算法的耦合模型避免了网络寻优的盲目性,达到了最优的拟合效果,有效地提高了预测精度和速度,为区域电力负荷预测问题提供了新的分析方法,开辟了建立电力负荷中长期预测模型的新途径.     

基于DWTMFC特征参数提取的心音身份识别

心音信号是临床上有用的心脏疾病诊断工具,是一种很好的用于身份识别的方法,而在基于心音识别的系统中,提取反映用户个性特征的参数是关键问题之一.该文将Mel倒频系数的提取方法中的Mel滤波器组用小波变换后的信号频谱拼接来替代,以此提取了新的参数DWTMFC,并用矢量量化模型进行验证.实验结果表明DWTMFC参数的性能在矢量...     

时间序列的灰色建模试验

介绍了GM(1,1)的原息模型、新息模型和等维新息模型的建模方法,比较分析了GM(1,1)加权预测模型和非加权预测模型的可靠性问题.通过对实验结果的比较分析,我们认为等维新息加权预测模型预测的结果最接近真实值,其余依次是等维新息模型,加权新息模型,新息模型.在这6种预测模型中,预测精度最差的是原息模型.     

自适应深度卷积神经网络模型构建方法

针对传统卷积神经网络(CNN)模型构建过度依赖经验知识、参数多、训练难度大等缺点,同时鉴于复杂多类问题的CNN模型构建策略的重要价值,提出一种自适应深度CNN模型构建方法.首先,将初始网络模型的卷积层和池化层设置为仅含一幅特征图;然后,以网络收敛速度为评价指标,对网络进行全局扩展,全局扩展后,根据交叉验证样本识别率控制网络展开局部扩展,直到识别率达到预设期望值后停止局部网络学习;最后,针对新增训练样本,通过拓展新支路实现网络结构的自适应增量学习.通过图像识别实验验证了所提算法在网络训练时间和识别效果上的优越性.