基于BP神经网络的增益量化中的阶距自适应

本文分析了G.728语音编码算法增益固定量化的缺陷,设计了精确表示增益的自适应量化方案。采用BP神经网络对增益的量化步长进行非线性自适应量化,并提出一种新的用于训练BP神经网络的数据的获取方法。     

基于神经网络的无刷直流电机预测控制的仿真研究

在无刷直流电动机高性能速度跟踪系统中，由于PI控制的滞后性，无法根据未来动态行为产生较为理想的PWM波形。针对PWM发生器一无刷直流电动机系统，提出基于神经网络的PWM预测控制方法。采用离线训练和在线修正的方法，通过对PWM发生器-无刷直流电动机系统动态行为的在线估计，建立了系统的神经网络模型。最优控制器根据神经网络模型的输入、输出响应产生合适的PWM波形。在Matlab／Simulink环境建立了模型并进行了仿真，结果表明，较之PI控制器，神经网络预测控制具有更好的动态响应性能。     

吉林省玉米单产的预测

在应用灰色ＧＭ（１．１）预测模型预测的基础上，又与马尔柯夫链结合构成灰色马尔柯夫链对吉林省玉米单产进行预测。结果表明：用灰色马尔柯夫链进行预测比灰色ＧＭ（１．１）模型预测的精度高、效果好，是一种理想的预测玉米单产的方法。同时用此方法对１９９２￣１９９５年吉林省玉米单产进行了预测。     

我国工业重大灾害的Delphi预测方法及其应用──重大危险源辨识的德尔菲（Delphi）专家系统设计

文章针对我国工业企业重大灾害频繁发生的现实，运用Ｄｅｌｐｈｉ方法对人－机－环境系统中大量无法定量的危险源作出概率估算和危险度分级，为建立重大危险源辨识的定量与定性分析相结合的专家系统等做一些初步探讨。     

灰色预测和时序预测的探讨

本文讨论了灰色模型,特别是GM(1,1)模型的特点和适用范围,并将GM(1,1)模型和时序AR(n)模型结合起来(称为组合模型),对我国轻工业产量发展指数等三个项目分别进行了组合模型预测。结果表明,在一般GM模型中引入AR模型可显著提高预测的准确度;在非平稳时序建模中引入GM模型,可作为提取趋势项的另一种方法。文中还从预测的角度将灰色模型和时序模型进行了比较和分析,对“灰”的物理概念进行了初步探讨。     

用于高维时序数据预测的非同步尺度主成分分析

针对时间序列数据预测过程中可能面对高维或超高维的预测变量,同时考虑变量的时序特征及预测的非同步性,提出用于时序数据预测的非同步尺度主成分分析方法。首先构建单个预测变量和被预测变量的非同步线性回归,通过可决系数选取单变量的最佳滞后阶数,并将回归系数赋权与相应的预测变量得到赋权预测变量,并通过主成分分析对赋权预测变量降维,即非同步尺度主成分分析。将该方法用于消费者物价指数增长率的预测,结果表明经非同步尺度主成分分析降维的预测精度高于传统降维预测的方法。     

负荷度对盾构隧道管片火灾下力学性能影响

针对不同边界条件下的地铁管片建立了热力耦合数值模型,采用顺序耦合热-应力分析方法对不同负荷度下衬砌管片在高温下的变形及内力进行了分析,并基于火灾试验数据进行了验证。研究表明,负荷度是影响管片在火灾高温下变形特性的关键因素。负荷度越大,管片跨中位移在升温阶段发展越充分,下缘混凝土的极限压应力越小。支座边界条件不同时,衬砌管片变形受高温影响的程度也不相同。当衬砌管片两端的水平位移被约束时,由于在升温过程中衬砌管片产生不可忽略的变形,支座反力先增大后减小,最后持续增大直至升温结束。     

考虑声源非相干性的城市轨道交通全封闭声屏障降噪预测

以某轨道交通全封闭声屏障为研究对象,考虑简化线声源的非相干性,建立2.5维边界元衍射声场模型;通过现场沿线环境噪声测试,验证了该模型的准确性,并与相干源衍射声场预测结果比较;最后预测了在近场高层建筑附近,全封闭声屏障对近轨或远轨车辆噪声的降噪效果。研究结果表明,非相干线声源更符合城市轨道交通噪声源特性;对于轮轨噪声（315～1 000 Hz）,全封闭声屏障在高层住宅建筑区域有显著的降噪效果,1/3倍频程插入损失最大为30.0 dB。对于低频噪声（50～250 Hz）,全封闭声屏障会加重高层住宅建筑区域的声压级,使插入损失出现负值。针对高层建筑附近场点,全封闭声屏障的顶端拱形透光板对远轨车辆噪声有更为显著的附加降噪效果,大部分场点附加插入损失均高于5.0 dB。     

基于QUAL2K模型的滦河流域动态水环境容量研究

传统的水环境容量核算一般以一定保证率下的设计枯水流量为计算条件,存在水文计算条件单一、水环境容量不易管控等不足。本文通过滦河流域污染排放调查核算,基于QUAL2K模型建立水质模型,对流域水质进行逐日模拟,并根据模拟结果计算滦河流域主要河流逐日COD、氨氮和总磷的水环境容量。本研究计算的动态水环境容量能够较为客观地反映水文条件变化下的动态水环境容量,给出满足河道水质目标前提下逐日入河污染物允许阈值,为流域水环境保护与精细化管理提供数据支撑。     

基于SSA-LSTM-GF的混凝土坝变形预测方法

针对混凝土坝变形分析预测的复杂性,应用相空间重构思想和融合建模理念,提出了一种基于SSA-LSTM-GF的混凝土坝变形分析预测方法。SSA-LSTM-GF方法利用奇异谱分析法(SSA)将变形实测数据序列分解为趋势分量、周期分量和剩余分量,并将剩余分量视为噪声分量予以剔除;采用长短期记忆神经网络(LSTM)模型和高斯拟合(GF)算法分别进行周期分量和趋势分量的分析预测,并将二者结果进行叠加重构,得到最终预测结果。实例验证结果表明,SSA可以达到较好的数据分解和消噪效果,LSTM模型针对周期分量的预测性能优越,GF算法能够很好地实现趋势分量的拟合预测和部分信息的挖掘提取,LSTM模型和GF算法的成果重构效果良好,SSA-LSTM-GF方法具有一定的可行性和应用价值。