基于VMD和BSA-KELM的高陡边坡位移预测模型研究

边坡位移的时间序列曲线存在复杂的非线性特性,传统的预测模型精度不足以满足预测要求。为此提出了基于变分模态分解的鸟群优化-核极限学习机的预测模型,并用于河北省某水泥厂的边坡位移预测。该方法首先采用VMD把边坡位移序列分解为一系列的有限带宽的子序列,再对各子序列分别采用相空间重构并用核极限学习机预测,采用鸟群算法优化相空间重构的嵌入维度和KELM中惩罚系数和核参数三个数值,以取得最优预测模型。最后将各个子序列预测值叠加,得到边坡位移的最终预测值。结果表明：和KELM、BSA-KELM、EEMD-BSA-KELM模型相比,基于VMD的BSA-KELM预测精度更高,为边坡位移的预测提供一种有效的方法。     

不同重构土壤材料配比的土壤改良和苜蓿生长效应研究

针对西部露天矿区土地生态修复中表土稀缺和土壤贫瘠难题,从充分利用矿区当地常见的原材料出 发,利用风沙土、红黏土、煤矸石、玉米秸秆及腐植酸为原料,按照不同配比混合后进行室内盆栽试验,研究不同配比下 紫花苜蓿生长特性、土壤理化性状和生物学特性的差异,优选适宜于该地区的重构土壤配比。 结果表明:利用风沙土、 红黏土、煤矸石、玉米秸秆及腐植酸重构土壤具有可行性;不同重构土壤配比均可显著改善土壤物理结构,增加土壤 养分含量,提高土壤微生物活性,进而促进紫花苜蓿生长,但不同配比之间存在明显差异;与纯风沙土(CK)相比,不同 重构土壤配比下紫花苜蓿生物量、根长、根直径和根表面积分别提高了 19. 05% ~ 624. 76%、17. 99% ~ 131. 80%、 17. 72% ~ 239. 20%和 33. 01% ~ 650. 45%。 相关分析结果表明:紫花苜蓿生物量与基质理化性状和微生物活性存在协 同效应。 综合来看,风沙土与红黏土按 1 ∶2 复配,同时添加 15%煤矸石、5%玉米秸秆及 0. 05%腐植酸,土壤重构效果 最佳。 该研究为矿区土壤重构及降低土地生态修复成本提供了理论依据。     

主存高效的公交网络路径规划索引

在公交时间表下给定起始和目标站点,路径规划查询返回一组到达时间早和换乘次数少的帕雷托最优路径.现有的索引方法需要大量运行时内存.本文提出主存空间高效的索引方法(a-)PAINT.(a-)PAINT对每个站点v预计算一组标签,使得对于从站点s到站点d的查询可以通过匹配s和d相关的标签高效地生成查询结果的一条路径.PAINT对任意查询返回最优路径.a-PAINT只需要很小的预处理开销,但可能返回多一趟换乘的次优路径.用真实的公交时间表与模拟查询测试,PAINT具有合理的预处理开销.a-PAINT需要更少量的预处理开销,在大规模公交网络下准确率达90％.     

基于证据推理的激光惯组最优维护方法

为解决激光惯组存在的故障样本获取困难和监测维护周期不合理等问题，采用一种融合多元信息的性能评估方法对激光惯组的性能进行评估。首先，综合考虑了惯组指标信息的权重和可靠度，基于证据推理融合多元信息得到激光惯组性能评估结果。其次，根据性能评估结果，通过维纳过程预测综合考虑激光惯组的监测维护成本和性能设计要求，在满足性能状态要求前提下以单位时间内期望维护成本最小为目标，确定最优维护时机。最后，使用某型号激光惯组进行了实验验证，说明所提出的方法的有效性。     

DEA方法在项目厂址选择中的应用

厂址选择是项目建设的重要环节。通过建立方案评价模型,将数据包络分析(DEA)方法应用于项目厂址选择。引入天然气净化厂厂址选择实例,拟定投入、产出因素,利用Matlab对模型进行求解,通过对运算结果的分析,确定最优方案,说明模型及方法的有效性。     

9000m顶部驱动钻井装置结构选型研究

为大幅提高钻井效率,针对9 000 m钻井深度对顶驱的设计要求,通过比较顶驱装置关键部分几种典型的结构,提出适合该型号顶部驱动钻井装置的最优结构形式,为后续9 000 m钻井深度顶部驱动钻井装置的研究提供指导和借鉴。     

俯仰角速度传感器信号重构方法研究

为了提高关键传感器系统的容错能力,避免增加引入硬件设备的额外成本、重量与维护负担,提出了俯仰角速度传感器的信号重构方法。信号重构采用了自适应当前统计模型的卡尔曼滤波算法,改进模型能够更准确地描述飞机实际的角运动情况,提高解析信号的精度。通过不同飞行状态下的飞机角运动仿真,将所提方法与典型的信号重构方法进行对比,验证了所提方法的有效性和优越性。     

浅谈基于逆向工程的自由曲面重构技术研究

计算机的发展应用为我国机械加工行业提出新的可能。目前在我国机械加工行业得到广泛应用的逆向工程的自由曲面重构技术,以其巨大优势为机械加工工艺做出卓越贡献。文章将针对逆向工程的自由曲面重构技术目前在我国的发展及应用状况进行分析研究。     

GOS+MU:一种查询对象选择新方法

在分析单一MU(Most Uncertainty)采样缺陷的基础上,提出一种"全局最优搜寻"方法 GOS(Global Optimal Search),并结合MU共同完成查询选择。GOS+MU方法中,GOS着眼全局寻找目标,在应用环境能提供的训练样本数量有限、分类器受训不充分时,该方法选择的对象学习价值高,能快速推进分类器学习进程;MU则能够在GOS采样失效情形下,利用分类器当前训练成果,选择查询不确定性最强的样本补充训练集。通过对网络商品的用户评论进行分类仿真,并比较其他采样学习方法的效果,证明了GOS+MU方法在压缩学习成本、提高训练效率方面的有效性。