基于线性判别分析的时频域特征提取算法

针对复杂环境中的声目标特征提取与选择问题,结合声信号时频域的特点,提出了一种时频域相结合的特征提取方法。首先,对信号进行小波分解,达到去噪目的;然后,将短时能量、短时平均幅值、过零率及频带能量值作为原始特征矢量,并结合Fisher判别准则进行特征选择,以此构造低维特征向量;最后,对两类声目标的实测样本数据进行特征提取,并采用支持向量机和K近邻两种分类器对该特征提取方法的有效性进行校验。实验结果表明,采用“时域+频域+线性判别分析”的特征提取方法简单有效,且与单一时域或频域的特征提取方法相比,识别率更高。     

利用反预报方法从截面预言近滴线丰质子核的结合能

在Origin等数据处理软件中,当实验数据较少时,自由参数的不同初始化设置会导致较大的结果差异,这为物理结果的确定带来较大不确定性.通过最小二乘法分析了345MeV/u ~(78) Kr+~9Be反应中产生的丰质子同位素的截面和结合能,并得到线性回归方程.通过回归方程,利用结合能预报部分丰质子核素的截面,以及通过实验截面对近质子滴线核素的结合能进行反预报测量.这对于近质子滴线的丰质子核素实验测量具有较好的借鉴意义.     

基于多环返工串行生产线的性能优化建模

为评价和优化串行多环返工生产系统的生产性能表现，结合质量管理与精益生产的理念，区别于传统的返工机制，提出一种全新的“即刻返工”检查机制，将生产系统建模扩展至多机多缓冲区的复杂生产系统.基于生产系统的两大要素，机器与缓冲区的生产状态变化，依据概率论与马氏定理，构建缓冲水平的动态概率转移矩阵，以在制品库存水平及系统平均生产率作为研究指标，针对生产设备及缓冲区展开瞬态分析，通过迭代计算，表明设置合理的系统规模与缓冲区阈值能达到优化系统生产性能的目的，并通过数值实验验证其有效性.     

基于深度无监督学习的图像分类算法

为了取得精确的图像分类效果,一方面需要提取大量的图像特征数据进行样本分析,另一方面大量的数据又造成了维数灾难.因此,为了解决信息全面与维数灾难的矛盾,引入了深度学习.深度学习利用分层结构处理复杂的高维数据,可以完成复杂函数的逼近,是一类具有多层非线性映射的学习算法,但深度学习模型优化困难且对隐层参数敏感.针对上述问题,将无监督算法引入深度学习,这种学习方法无须人工设计特征提取数据,训练过程中样本标签是未知的.实验表明,该算法在不影响图像分类效果的前提下,可以大大降低计算复杂度,具有一定的时效性.     

基于改进的深度学习网络的SAR图像瞬时海岸线自动提取算法

针对目前合成孔径雷达(synthetic aperture radar, SAR)在对大尺度瞬时海岸线提取方面的图像解译过程中, 仍然存在精度低与自动化水平差的问题, 提出一种基于深度学习网络的瞬时海岸线自动提取算法。首先, 将SAR图像进行Lee滤波增强来抑制相干斑。其次, 通过升级残差网络为主干网络，分4级提取海水目标的特征。然后, 将4级特征经过全局卷积网络、密集连接网络和解码器网络配合，充分提取目标的本质特征, 并通过上采样产生海水分割结果。最后, 利用Sobel算子分离出海岸线并和原SAR图像融合以便清晰查看结果。通过与全卷积网络与细化网络的海岸线提取实验结果进行对比, 证明所提算法对海岸线的提取更加准确, 能够减少虚警和漏警, 具有更好的性能。     

基于自适应变异PSO-SVM的APU性能参数预测模型

为提高辅助动力装置(auxiliary power unit, APU)性能参数预测的精度,针对支持向量机(support vector machine, SVM)模型在实际使用中遇到的参数选择问题,采用自适应变异粒子群优化(particle swarm optimization, PSO)算法实现对SVM惩罚参数和核参数的优化选择,提出一种基于自适应变异PSO算法优化SVM的APU性能参数预测模型。进一步分析了预测模型不同预测步长对短期预测精度的影响。利用某型APU性能参数数据进行了验证,并与多种预测模型进行了对比实验。实验结果表明,对于排气温度(exhaust gas temperature, EGT)的预测,自适应变异PSO-SVM模型的平均绝对百分比误差(mean absolute percentage error, MAPE)比标准PSO-SVM模型低47%;对于滑油温度(oil temperrature, OT)的预测,自适应变异PSO-SVM模型的MAPE比标准PSO-SVM低29%,为短期APU性能变化趋势预测提供了一定的参考。     

基于支持向量机的典型宽带电磁干扰源识别

由于民航周围电磁环境复杂, 一旦产生电磁干扰(electromagnetic interference，EMI), 就不易被排查, 特别是随机性较强的宽带干扰。对此, 提出一种基于支持向量机(support vector machine, SVM)的干扰源识别方法。通过实时测量干扰信号的频谱数据, 并分析其特点, 选择包络因子、频谱能量、频谱峰值、均值和方差5个特征向量, 用主成分分析法降低数据冗余程度, 最后采用SVM来判断干扰源类型。仿真结果证明, 所提算法能有效识别6类典型机场宽带干扰源, 识别精度可达98.33%。     

正交试验法优化女贞子提取工艺

以特女贞苷、齐墩果酸、熊果酸的提取转移率为指标,采用单因素考察及正交试验法优化女贞子的最佳提取工艺。结果表明,最佳提取工艺为8倍量60%乙醇,提取3次,每次3 h。特女贞苷、齐墩果酸、熊果酸转移率分别为75.42%、93.86%、99.83%。优化所得工艺提取效果良好,工艺简便,可用于工业化生产。     

电动公交车线路和充电设施及策略规划方法研究

针对电动公交车充电设施配置不合理的现象,对电动公交车线路和充电设施及策略规划方法进行研究。综合考虑充电站及充电桩配置与公交线路运营特征设计参数两者的相互影响,以充电等待时间和运力为约束条件,建立社会福利最大化模型。基于两种不同的充电策略,讨论其对充电站内车辆排队充电等待时间的影响。以拉格朗日函数求解算法和遗传算法对模型进行求解,并以苏州市931路纯电动公交线路为算例对模型与算法进行了验证。研究结果表明,相比于遗传算法,基于拉格朗日函数的求解算法效率更高,求解结果更稳定。根据所构建模型设计的充电桩数量及线路运营特征参数,在满足充电等待时间约束的条件下可以实现社会福利最大。该研究所提出的模型可为电动公交车线路规划提供决策依据。     

基于元胞自动机的绿色驾驶行为特征仿真

绿色驾驶是可以使驾驶人在驾驶过程中节油减排的一系列驾驶措施。为了研究绿色驾驶的行为特征,建立了多车道元胞自动机模型进行仿真,并以北京北三环某路段作为仿真场景对模型进行标定和验证。利用该仿真模型,研究纵向驾驶行为和横向驾驶行为对交通运行、能源消耗以及尾气排放产生的影响。构建了绿色驾驶行为判别标准,并通过预测得到绿色驾驶行为特征。研究发现,缓慢加速、保持车速稳定、将车速保持在合理区间以及保持较大的安全间距是符合中国道路特性的绿色驾驶行为。