无动力弹体的纵向弹道控制

建立无动力弹体的六自由度非线性数学模型，将飞行控制中经典的纵向轨迹控制策略与非线性优化控制技术有机地结合起来，分别设计了考虑和不考虑俯仰角反馈的不同控制方案，获得了2种较为实用有效的纵向轨迹控制结构。设计表明这种非线性优化设计具有较好的轨迹跟踪性能，对投放时机也具有较好的鲁棒性。     

用于抗噪声语音识别的谐振强度特征

基于传统的Mel倒谱系数(MFCC)系列特征的语音识别系统在噪声环境中的识别性能会急剧下降。为了进行噪声环境中的自动语音识别,提出了一种反映语音信号谐振程度的特征:谐振强度,并用之代替传统MFCC特征中的能量维(零维倒谱C0,或者帧能量E)。在展览馆噪声、人群噪声和汽车噪声等情况下的语音识别实验结果表明:基于这种新特征的语音识别系统比基于传统特征的语音识别系统有更高的平均识别率和更好的抗噪声能力。     

分布式数据库约束性关联规则挖掘

针对分布式数据库和约束条件的特点,提出了2种在分布式环境下挖掘约束性关联规则的有效算法,即基于Apriori算法的DMAIC算法和基于频繁模式树的DAMICFP算法.此外,进行了实例验证和测试分析,指出了这2种算法各自的优缺点及适用条件.研究结果表明:DMAIC算法可靠性高,通信协议简单,适用于对通信性能要求不高的分布式数据库;DAMICFP算法执行效率高,通信性能好,适用于对通信性能要求较高的多项目分布式数据库;这2种算法均能有效地解决分布式挖掘约束性关联规则的问题.     

积分时滞过程的非线性比例控制

对积分时滞过程提出一种非线性比例控制算法,该算法只有一个可调参数,简单且实现容易。仿真结果显示该控制结构具有良好的设定值跟踪特性,并且对时滞偏差具有很强的鲁棒性能。最后简要讨论了抗负载干扰的性能。     

基于对角回归神经网络的转台伺服系统逆控制

针对转台伺服系统中存在的不确定性和非线性因素,提出一种基于对角回归神经网络(diagonal re-current neural network,DRNN)的逆控制方法。逆控制器由对角回归辨识网络(DRNNI)和对角回归控制网络(DRNNC)组成,利用神经网络的逼近能力,在线辨识系统的逆模型,直接将辨识器的拷贝作为系统的控制器。该方法结合了神经网络和逆系统控制的优点,能够克服系统中的不确定性和非线性因素。仿真结果表明,有效提高了转台伺服系统的动态跟踪精度,并具有较好的鲁棒性能。控制器的运算量小,能够满足实时控制要求。     

等效约束下风激励汽车前侧窗玻璃声辐射分析

为研究风激励下汽车侧窗玻璃表面湍流压力脉动激起玻璃振动而向车内辐射噪声的问题,以某试验车左前侧窗玻璃系统为研究对象,首先基于等效原理,将车窗密封条等效成系列弹簧约束,进行离散化建模,并搭建Matlab-Abaqus联合仿真优化平台,得到最佳等效弹簧刚度,建立侧窗系统约束边界等效模型.接着利用Corcos模型计算得到侧窗表面湍流压力脉动的功率谱密度,作为侧窗等效模型的激励,应用有限元方法计算车内驾驶员人耳处的声辐射.最后应用激光测振仪,获得侧窗表面振动速度分布试验数据,利用边界元方法(半仿真)计算车内声辐射.比较两种方法的计算结果,发现200Hz以上声辐射频谱特性吻合良好,证明了利用玻璃边界等效简化模型与Corcos模型作为激励源计算侧窗玻璃振动引起的声辐射有一定程度的适用性.     

层间位移约束下高层框架支撑结构的单步优化法

从虚功角度将基于层间位移约束的高层建筑规则结构多约束优化问题转化为基于顶层整体转动的单约束问题,并提出了基于虚功的单步优化法.通过算例分析了单步优化法应用情况,并将其优化结果与SAP2000有限元分析软件优化结果进行对比.结果表明:针对层间位移约束,采用单步优化法用钢量节省约10%.     

完全模糊线性规划及其近似计算

在扩充LR-模糊数定义的基础上,讨论了完全模糊约束条件的近似表示和转化定理;在新的模糊数序关系下,将完全模糊线性规划问题直接转化为分明的线性规划进行求解;与已有的结果进行了比较,并给出了算例.     

一类多乘积优化问题求解的新方法

利用所考虑问题的结构特点,提出一种新的线性化方法.该方法利用函数的二阶导数信息,线性化过程更为直接.为改善算法收敛速度,提出一个新的区域缩减准则.理论上证明了算法的收敛性,数值算例表明算法是有效可行的.     

Robust model rankings of forecasting performance

This paper investigates robust model rankings in out‐of‐sample, short‐horizon forecasting. We provide strong evidence that rolling window averaging consistently produces robust model rankings while improving the forecasting performance of both individual models and model averaging. The rolling window averaging outperforms the (ex post) “optimal” window forecasts in more than 50% of the times across all rolling windows.