1980年~2013年恩施中低空风速变化特征研究

利用1980年~2013年恩施逐日探空风资料,通过最小二乘法、滑动t检验及morlet小波分析等方法,系统地揭示了该地区中低空(500、1 000、1 500、2 000、3 000m)年、季、月平均风速的变化特征.结果表明(500m单独讨论):1)不同高度,年、季平均风速波动幅度较小,且相差不大,季、月间的平均风速不尽相同.2)不同高度,气候倾向率绝对值均小于0.05m·s-1·(10a)-1,且没通过显著性检验.3)不同高度,年、季平均风速的突变特征明显不同,1 000m处年、季平均风速均发生了突变,1 500m无任何突变,2 000m和3 000m的突变则只出现在秋、冬两季.4)不同高度,年、季平均风速均表现出了多种周期.其中,高频以2~3a为主,低频以14~20a为主,且2~3a大部分出现在1994年以后,而14~20a大部分出现在1980年以后;冬季以低频振荡为主,其他季节均以高频振荡为主.5)500m处的年、季平均风速波动幅度和气候倾向率都比较大,趋势系数均通过了显著性检验,年、季均有突变发生,但并无明显周期存在.     

离港航班滑出时间的支持向量机预测模型

为解决反向传播(back propagation, BP)神经网络在离港航班滑出时间预测精度欠佳的问题,构建了基于支持向量机(support vector machine, SVM)的离港航班滑出时间预测模型。首先,分析了影响离港航班滑出时间的可量化因素,构建了基于相关性分析的离港航班滑出时间预测模型;并对比分析了基于SVM和BP神经网络的滑出时间预测结果。结论表明：离港航班滑出时间与同时段推出航班数量、同时段起飞航班数量、同时段落地航班数量、1 h平均滑出时间呈现强相关性,与滑行距离、转弯个数、延误时间相关但不显著,与起飞时刻所在时段不相关。基于SVM和BP神经网络的预测结果趋势是一致的,考虑强相关和中度相关影响因素的七元组预测结果准确率达到最佳;引入不相关因素后模型的预测精度会下降。基于SVM的滑出时间预测模型精度显著高于BP神经网络预测模型,滑出时间误差范围在±5 min内的预测准确率可达98%。     

软件重用在故障诊断专家系统设计中的应用

简述了故障诊断专家系统的概念，介绍了在开发与设计过程中所用到的软件重用技术、面向对象方法以及领域与领域工程的方法，通过对故障诊断专家系统进行领域分析，同时应用面向对象的方法，设计出了故障诊断专家系统的可重用构架和可重用构年，并将其构造到一个实用的系统中，作为结论，软件重用技术在实际应用中切实可行，并且可以大幅度提高系统的设计与开发效率。