基于码头闸口数据的集卡周转时间短时预测方法

为给车辆调度优化以及集卡预约系统设计提供重要参考,利用所采集的深圳市某港口的码头闸口数据,建立一种基于数据挖掘的集卡周转时间短时预测方法.首先,通过对码头闸口数据进行分析,获取车辆到达时间分布、任务类型、作业方式等集卡作业特征以及集卡在码头内的周转时间;在此基础上,利用循环神经网络并结合训练集数据,建立集卡作业特征与其周转时间之间的映射关系.其次,为减少随机波动对周转时间预测效果的影响,利用小波分解算法对循环神经网络拟合结果的残差进行高频噪声分离,并通过自回归模型拟合过滤后的低频序列.最后,将拟合后的循环神经网络与自回归模型进行结合,建立一种支持集卡周转时间短时预测的组合模型,并利用测试集数据进行有效性验证.结果 表明,相比单一的循环神经网络,该组合模型可以大幅提升预测精度.     

具有限时滞的混合型脉冲泛函微分包含

利用集值映射的不动点定理得到具有限时滞的混合型脉冲泛函微分包含温和解的存在性结果，改进和推广了已有的一些结果.     

喷油式主动再生柴油机颗粒捕集器控制装置的设计

文章基于Freescale 16位单片机S12XS64设计了一种柴油机颗粒捕集器(diesel particulate filter,DPF)再生过程控制装置,实现了DPF再生系统相关传感器的信号采集、执行器驱动、车载诊断系统(on-board diagnostics,OBD)和上位机软件通讯等功能。该系统设计了DPF再生控制策略,将控制装置设为断电、待机、工作、再生4种工作状态,通过测量得到的排气背压、DPF压降以及发动机转速来判断DPF主动再生时机,可以在DPF需要再生时通过控制供油泵、空气泵、火花塞和阀门等单元来实现DPF的再生过程;系统使用了多MOSFET并联来保证驱动器的可靠性,优化了系统工作电流,预防了信号干扰。该控制系统结构简单、稳定可靠,在城市公交改造项目的应用中工作稳定、操作便捷、尾气的净化处理效果显著,良好地实现了对喷油式DPF主动再生过程的控制,有很强的实用价值和广阔的应用前景。     

分形集上广义调和拟凸函数的一些积分不等式

给出了分形实线集R~α(0α≤1)上广义调和拟凸函数的定义,并且建立了一些关于广义调和拟凸函数的推广的Hermite-Hadamard型和Simpson型积分不等式.最后给出了文中得到的积分不等式在分形实线上关于α型特殊均值的一些应用.     

黄土山区贴坡填方地基的变形特性

为了研究贴坡填方地基的变形特性,依托兰州市某黄土“削峁填沟”工程,开展贴坡填方地基沉降及水平位移监测,借助有限差分数值分析,研究了回填土压实度、坡面坡度、回填高度的影响.结果表明,贴坡填方地基沉降及水平位移均随着时间呈两段式增长,水平位移进入缓慢发展期的时间晚于沉降,原状土地基沉降在总沉降中占比大.竖向平面内沿水平方向,距离坡顶越近沉降越小、水平位移越大;沿深度方向,深度越深,沉降及水平位移均越小,土体深度方向水平运动不协同.压实度、坡度、高度对土体运动矢量长度、方向的影响效果不同,对变形控制的重要性依次为压实度>高度>坡度.实际工程应控制压实度>0.93,尽量减小坡度和一次性填筑高度.     

脉冲间隔对喷射液滴大小的分析研究

实现对微液滴大小的精确操控具有重要意义,而喷射脉冲间隔对液滴体积有重要影响.首先,通过水平集方法建立微液滴喷射过程的数学模型.其次,使用多物理场仿真软件COMSOL Multiphysics对微液滴喷射过程进行数值模拟.分析微液滴喷射过程,并拟合数据得到液滴最终体积与脉冲间隔关系为正相关.该结果有利于实现对液滴体积的精确操控.     

追踪物理学中的跨领域模因

以美国物理学会旗下期刊2000—2019年发表的论文和Web of Science论文摘要为基础，用模因短语刻画知识，构建模因关系网络并引入跨学科测度Rao-Stirling指数以计算模因的跨领域分数，从而追踪物理学中的跨领域模因。分别从网络拓扑结构指标、跨领域测度指标和专业术语对比3个方面进行验证，证明了所提的模因关系网络和模因的跨领域分数可以有效反映知识在不同领域间的扩散现象。     

联合卫星定位和测量机器人的超高层建造过程水平位移监测

在超高层建筑建造过程中,常用测量机器人监测中间楼层的监测点的变形。削弱建筑晃动影响对于监测结果的稳定性至关重要。为此,首先提出一种利用楼顶卫星接收机测量建筑晃动情况,通过内插得到中间楼层瞬时晃动影响的方法,并通过实验验证该方法的有效性。在此基础上,利用该方法对多期监测数据进行处理,结果表明该方法可获得更加稳定的监测结果。将处理结果与有限元分析的结果进行比较,结果表明使用该方法后监测结果与有限元分析的结果吻合度较高。     

基于生成对抗网络的信号调制方式的开集识别

为解决信号调制方式的开集识别问题,基于生成对抗网络提出了一种适用于一维信号数据的重构判别网络模型,该模型由重构网络和判别网络组成,分别用来重构和判别输入信号。两个网络在相互对抗的训练过程中,对已知调制方式信号的数据分布形式充分学习,使得重构后的输出不仅能够呈现已知调制方式信号更多有用的信息,而且能够扰乱未知调制方式的信号,从而增强判别网络对输入信号调制方式的判别能力。仿真结果表明,该模型能够实现信号调制方式的开集识别,而且在信噪比大于0 dB时,对已知调制方式和未知调制方式信号的识别率均大于93%。