教你制作规范的Word2007文档

在学会了Word2007的基本应用后，完成一篇文章的编写也许已经是非常的轻而易举的事，那么我们如何使文章更加的规范美观呢？这就需要进行一些相关的设置了。那么就让我们共同来学习如何规范Word2007文档吧!制作规范的文本文档主要从三个方面进行改进：即页面的整体设定（方便打印和后期装订）、文字内容样式和段落的调整以及增添页眉页脚和其他页面美化设置。     

几种网络拥塞控制算法比较分析

拥塞控制已成为当前网络研究的重点。为了适应实时数据流在网络中的高效传输,研究者提出了多种拥塞控制和队列管理算法,并不断改进,以期能更有效地降低丢包率、提高链路利用率、防止拥塞崩溃。通过比较TailDrop、RED、BLUE、SFB等几种算法的优缺点来说明拥塞控制算法的发展与改进,以便于应用人员在不同的网络环境中运用更合理的拥塞控制算法来优化网络传输性能。     

基于改进S变换的电能质量扰动分类新方法

提出一种改进的S变换(MST)方法并应用在电能质量扰动识别中。针对S变换(ST)窗函数固定、时频分辨率不能调节的问题,对S变换中的窗函数引入参数p、q进行改进,使时频分辨率的调节更加灵活。提出确定p、q的评价指标,使得p、q的求取具有一定自适应性和理论依据。用MST提取电能质量扰动的特征向量,根据电能质量扰动信号的MST分析结果,提出4种扰动特征作为特征向量,解决了特征向量冗余的问题。仿真数据和工程数据实验分析结果表明,该方法具有更好的抗强噪声性,使电能质量扰动分类精度更高。为复杂信号特征提取提供了一种有效途径,也为电能质量分类提供了一种新的方法。     

空腹受弯钢构件板件设计的若干问题研究

应用轴压格构柱的有关规定,确定了空腹受弯钢构件孔口上方受压T形截面杆件的最大长细比和开口宽度的最大值;为确保板件具有一定的刚度和强度,提出了空腹受弯钢构件孔口上方腹板和孔间腹板的最小尺寸以及孔间腹板的强度验算式;基于薄板的弹性稳定理论,确定了在纯弯状态下空腹受弯钢构件孔口上方腹板和孔间腹板的最大高厚比.     

基于LS-SVM多分类器融合决策的混合故障诊断算法

故障诊断的关键是特征向量提取和分类器的选择, 提出一种综合运用多特征提取和多分类器组融合决策的故障诊断算法. 多特征提取选择小波包变换、总体平均经验模式分解方法(Empirical Mode Decomposition, EEMD)和改进小波能熵方法, 得到三组不同的故障特征信息; 将这三组特征信息输入由3个最小二乘支持向量机(Least Square Support Vector Machine, LS-SVM)组成的分类器组进行初步诊断; 采用自整定权值的决策模板法(Self-adjusting weighted Decision Templates, SWDT)进行多分类器诊断结果的融合决策. 实验证明, 该方法能实现轴承不同故障类型, 尤其是复合故障的可靠识别, 验证了该算法提取轴承故障特征信息的完备性, 以及分类器组融合决策的可靠性.     

EMD及Duffing振子在小电流系统故障选线方法中的应用

针对小电流系统发生故障时,各线路零序电流的非平稳、非线性等复杂特性,给出一种基于经验模态分解(empirical mode decomposition,EMD)和Duffing振子检测的方法。EMD方法具有很好的自适应性,而Duffing振子系统对于与内驱动力同频的外界信号具有高度敏感性。首先对故障零序电流进行EMD分解,提取出第1个内禀模态函数作为故障零序电流特征量;然后提出特征量中的五次谐波分量,将其输入到Duffing振子中,通过系统相图变化来确定当前线路是否发生故障。对各条线路进行不同条件下故障模拟,仿真结果证明了该算法的可靠性。     

基于改进ABC算法优化的LSSVM多分类器组机械故障诊断模型

为了提高复杂机械故障诊断的确诊率,提出了一种基于改进人工蜂群算法(improved artificial bee colony,IABC)优化LSSVM多分类器组的故障诊断模型。该模型利用多特征提取方法,获取了较为完备的时频域特征信息,同时选择具有较强搜索能力和快速收敛性的IABC算法优化了LSSVM分类器的参数,提高了分类效率,在诊断决策层,利用评估矩阵进行了多分类器诊断结果的融合决策。通过与传统方法的对比表明:该诊断模型不仅能获取完备的故障特征信息,而且能更快地获取LSSVM最优分类参数;同时,基于评估矩阵的融合决策能够充分考虑各子分类器的性能差异,保证了诊断决策的高效精确。多种数据仿真表明,该诊断模型适用于机械故障诊断。      

一种新型频率测量方法的研究

研究了一种带摄动的Duffing振子混沌数学模型,详细的分析了其间歇混沌特性.根据Duffing振子对噪声的免疫力,提出了一种新型的频率测量方法,并给出了具体的算法.仿真结果表明,在强噪声背景下,该方法可以准确的测出微弱正弦信号的频率.     

基于EEMD和关联维数的小电流接地故障选线

提出一种基于总体平均经验模式分解(Ensemble Empirical Mode of Decomposition EEMD)和关联维数相结合的小电流接地故障选线新方法。EEMD对非线性、非平稳信号的处理,不仅能达到与(Empirical Mode Decomposition EMD)相同的分解效果,同时又能有效地抑制模式混叠,非常适用于对小电流接地故障信号的处理。关联维数是在故障诊断领域中应用最广泛的一种分形维数。关联维数作为反映系统状态的特征量,能定量分析故障状态,提高故障诊断能力。在计算关联维数前,需要进行相空间重构,采用极大联合熵算法求取最佳延迟时间,相比以往用互信息求取延迟时间的方法而言,该方法简化了算法,缩短了计算关联维数的时间。最后采用G-P算法计算零序电流相关分量的关联维数,通过比较关联维数,实现故障选线。实验结果表明上述方法能够快速准确地选出故障线路,为小电流接地故障选线提供了一种有效的新方法。     

基于屏蔽技术的经验模式分解改进方法

经验模态分解(EMD）具有优越的自适应性,对非平稳、非线性信号的不同时间尺度可进行正确的局部化处理,然而,当信号组合分量的频率相近时会出现模态混叠现象。针对该问题,提出引入信号屏蔽技术对其改进,通过向原始信号添加一定频率的屏蔽信号,将低频成分屏蔽在高频成分所在的本征模态函数(IMF)之外,而屏蔽信号自身通过加减二次分解取平均值消除对IMF分量的影响。仿真及实际应用验证了改进方法可有效克服模态混叠现象,为EMD改进提供一种新的途径。