利用声光效应测量波长的设计与研究

提出了利用声光效应原理来测量激光波长的方案.基于声光Bragg衍射效应原理,利用比较法,以He-Ne激光波长作为基准波长,推导出待测激光波长与与衍射光斑间距的关系式.据此设计了未知激光的波长的方案,并对两种波长的激光波长进行了测量,结果表明测量值和理论值之间的误差小.     

比较法确定多属性决策问题属性权重的灵敏度分析

属性权重的确定将直接影响多属性决策的求解结果,灵敏度分析可以判断决策结论的稳定性。针对比较法所得属性权重进行方案排序,利用经典的线性规划方法,将属性线性相关约束分解为两类物理意义更清晰的属性相关形式表示的约束条件,求解维持既定方案排序的权重变化区间,得出对既定决策排序结果最敏感的属性,从而辅助决策者做出更加合理的决策。计算实例表明,该方法具有可操作性和实用性。     

偶数维空间中黏性波方程解的逐点估计

考虑偶数维空间中黏性波方程柯西问题解的逐点估计.黏性波方程是流体力学中重要的数学模型,它既有波的传播特性,又受黏性项的影响.利用格林函数的方法:首先,对柯西问题的基本解即格林函数施以Fourier变换;其次,用光滑截断函数将格林函数的Fourier变换分成低频、中频和高频3个部分分别讨论;再次,利用Fourier逆变换的性质得到格林函数的逐点估计;最后结合Duhamel’s原理得到解的逐点估计.柯西问题的解呈现出广义惠更斯原理.     

可变模糊决策理论及其在水库防洪调度决策中应用

首先建立可变模糊决策(优选)理论,提出以对立模糊集概念为基础的可变模糊决策模型与方法.其特点是模型及模型中的参数权向量可以变化以提高系统决策的可靠性.其次,根据水库调度决策中汛期各阶段目标重要性的不同,应用非结构性决策模糊集分析的二元比较法确定水库防洪调度目标的经验权重(主观权重).最后,将可变模糊决策模型与方法用于丰满水库洪水调度,实例表明,该方法科学实用,能够提高水库防洪调度决策支持系统的决策可靠性.     

方案比较法在输气管道设计中的应用

以输气管道设计为研究对象,用每年管网造价和管网运行费用构成输气管道的年当量费用,并以此为目标函数,建立了输气管道优化设计方案比较法的数学模型．运用方案比较法在进行管道设计时可为设计者提供有价值的决策依据,选择合理的方案．     

气排球与室内排球技术特点的比较分析

本文运用文献资料法、比较法等,对气排球与室内排球技术特点进行了比较与研究。气排球的技术源于室内排球,但具有一定的独特性和随意性。室内排球的技术经过多年的演变和改进比较成熟和稳定,通过对气排球和室内排球技术特点的比较分析,做到互相借鉴优势互补,进一步创新和完善,以促进该项运动更好地推广和普及。     

基于FPGA的LED全彩显示屏控制系统设计

系统对LED全彩屏扫描控制板做了一个全新的架构设计,即采用C8051F340单片机＋FPGA作为主控模块实现逐点控制和全彩画面显示。运用单片机的灵活性和多功能性特点,完成了显示屏内温湿度采集、供电电压监测、屏外环境亮度监测、与上位机通信和对FPGA的配置和控制。FPGA作为高速器件完成显示数据收发和扫描。采用恒流驱动芯...     

利用人工智能神经网络和DEM数据进行植被变化探测

适时精确的探测土地利用和覆盖变化是研究其起因、过程和效应的基础.本研究利用人工智能神经网络对两景不同时期的影像(2003和2004年)进行一次性变化探测.并且输入层中增加了DEM和坡度两个额外"波段".在选取训练样区的过程中,共选取了82个亚类型,其中36个为植被变化亚类型,46个为无变化植被亚类型.NDVI差值法被用于探测变化和无变化的区域,该方法为获取精确的和足够的植被变化类型训练样区提供有效的参考.研究结果显示利用人工智能神经网络探测变化技术所产生的植被变化图,其精度明显高于分类后比较法所产生的植被变化图精度.此外将DEM和坡度作为额外波段结合两景影像得的8个主成分作为输入层,能够有效的提高人工智能神经网络进行山区植被变化探测精度.同时在选取训练样区的过程中,将各不同的变化和无变化的植被类型根据其不同的光谱特征分成不同的亚类型进行取样,对提高人工智能神经网络进行山区植被变化探测精度有着非常重要的促进作用,此处理可以降低山区影像的地形效应.     

直流高压高阻箱测试方法的研究

提出了直流高压高阻箱的一种常用测量方法,给出通常采用的测量系统的构成和工作原理,并对该方法的测量结果的可信度进行试验验证。     

快速Delaunay逐点插入网格生成算法

对插入形心的Delaunay逐点插入算法,提出按单元可插度分组的双向链表组数据结构,避免了对最大可插度单元的搜索。采用了邻接单元搜索、双向链表存储、随机方向搜索、邻接旋转、几何量继承等技术,使算法的计算时间与生成单元数近似呈线性关系,时间复杂度达到O(N^1.05),N为生成单元数。算例表明,在一台AMD Athlon 3200+(主频2.0GHz) PC上,该算法的四面体单元生成速度达50,000个/s以上。