不同降水驱动的SWAT模型参数不确定性研究

以抚河流域与黑河流域为研究区,应用4种降水产品(CMORPH CMA、CMFD、CMADS、MSWEP)驱动SWAT模型模拟日流量,评估4种降水产品在湿润区与干旱区的适用性;使用自适应降维评估法选出流域的敏感参数,并进行一致性检验。结果表明:抚河流域4种降水产品的纳什效率系数(NSE)均在0.70以上,其中CMORPH CMA和CMADS的NSE均能达到0.82;黑河流域CMORPH CMA和CMADS的NSE大于等于0.76,而CMFD和MSWEP的NSE分别为0.72和0.74。抚河流域4种降水产品具有相同的敏感参数;黑河流域CMORPH CMA和CMADS有相同的6个敏感参数,而CMFD和MSWEP则分别有5个和8个敏感参数。4种降水产品在湿润流域和干旱流域都能得到较好的应用效果,但是CMORPH CMA和CMADS的模拟效果要优于CMFD和MSWEP。不同的降水输入也会对模型参数敏感性分析的结果产生影响,当降水表现越接近时,所筛选的敏感性参数也越相似。     

有源结构声辐射自适应控制系统的一种新算法

提出了一种适用于有源结构声辐射自适应控制系统的新算法,它直接利用传感器拾取的干扰信号和误差信号实时地建立系统模型和误差通道模型,通过解Ｄｉｏｐｈａｎｔｉｎｅ方程得到自适应控制模型,仿真表明新算法较传统的Ｆｉｌｔｅ－ＸＬＭＳ等算法具有更好的收敛性。     

汽车图象中字符目标的提取算法

针对汽车图象的复杂背景和多变的光照条件,提出一种用于汽车图象的字符目标提取算法,该算法采用了基于边缘分析的二值化算法结合自适应的形态滤波方法,对字符图象的灰度和纹理分布进行了分析,设计了一种基于一维边缘分析的二值化方法,与其他传统分析方法比较,该方法在运算速度和抗干扰能力上明显优势,在对二值化图象进行分割时,不采用固定形态滤波结构元素,而是根据子域及其邻域关系自适应地调整用于滤波的结构元素,更有效     

用于瞳孔序列图像分析的实时轮廓检测和参数提取

本文介绍一种医用图像分析系统．该系统连续获取瞳孔图像,根据对图像序列的某些先验知识自动确定门限．在此基础上进行快速边缘检测,并自动修补缺损的目标轮廓．在判定所得轮廓有效后计算目标面积．若数据无效则自动重新采样．序列图像观测结束后对间隔不均匀的数据进行内插校正．系统所提供的分析结果可用于临床和医学研究     

基于神经网络的无监督自学习控制系统

所论系统的控制由两个神经网络完成,即对象放识器和系统控制器。并且提出了一种 新的学习算法,它能利用存贮于辨识网络的信息改进控制策略。该控制系统可以对非线性系统,不确定系统等进行无监督的学习控制。     

日周期短期负荷自适应滤波预测模型

考虑到时负荷的日周期性,利用时间序列分析中的自适应滤波预测法,建立日周期自适应滤波模型,经河北南网实例验证,预测精度较高。     

高速网络业务模型及数据流量反馈控制研究

分析了高速通信网络不同业务类型的特点．根据不同业务对网络服务质量（ＱＯＳ）的要求及动态占用带宽的优先度,将其分为两种类型：一类业务可在预定的范围改变其传输速率,另一类是被动的,网络根据可用带宽的大小动态地调节其传输速率．文中给出了一种业务流量控制模型,该模型把带宽的高效率利用归结为如何对被动业务流量进行控制．按充分利用信道容量的原则,提出了一种自适应反馈控制算法．模拟表明,这种控制方法有良好的性能．     

一种子带适应的图象恢复最小二乘迭代算法

研究了基于子波变换的图象最小二乘恢复技术,提出了一种具有子带适应性的选代算法实验结果表明,采用该算法的恢复图象的质量和迭代收敛的速率均优于常规的空域解法．     

Forecasting in the presence of level shifts

This article addresses the problem of forecasting time series that are subject to level shifts. Processes with level shifts possess a nonlinear dependence structure. Using the stochastic permanent breaks (STOPBREAK) model, I model this nonlinearity in a direct and flexible way that avoids imposing a discrete regime structure. I apply this model to the rate of price inflation in the United States, which I show is subject to level shifts. These shifts significantly affect the accuracy of out‐of‐sample forecasts, causing models that assume covariance stationarity to be substantially biased. Models that do not assume covariance stationarity, such as the random walk, are unbiased but lack precision in periods without shifts. I show that the STOPBREAK model outperforms several alternative models in an out‐of‐sample inflation forecasting experiment. Copyright © 2005 John Wiley & Sons, Ltd.     

基于二阶系统的神经网络控制及仿真

基于神经网络的直接逆控制和模型参考自适应控制的原理设计了1个二阶系统控制，使用MATLAB神经网络工具箱对其进行了仿真，对比了不同的控制方法以及训练样本容量对控制结果的影响。