电性距离矢量预测有机污染物的生物富集因子

以电性距离矢量Mt表征165种非离子性有机物(NOC)的分子结构.利用多元回归方法建立了122种NOC的生物富集因子(lg BCF)与32个Mt的数学模型,其相关系数R为0.976.经逐步回归建立最佳四变量(M15,M17,M36,M91)模型,其R为0.960;并以Jackknife法检验,其LOO交互检验系数(q2)为0.915.这4个Mt参数揭示了影响NOC生物富集因子的主要因素,结果表明该模型具有良好的估算能力与鲁棒性.以111个NOC为训练集的生物富集模型作用于11个NOC的检验集,显示出良好的预测能力.     

基于矢量控制变频调速系统的动态性能分析

针对无速度传感器矢量控制模式下变频调速系统,进行动态性能分析,剖析当负载变化时比例、积分增益和带宽BW对调速系统的恢复时间和动态速降的影响,通过对各项实测数据的对比分析,总结出了相应的控制规律,为探讨变频调速的动态特性优化方法提供依据.     

区间删失数据函数的均值估计

运用无偏转换思想构造了区间删失数据函数的均值估计,并在此基础上对所构造的估计量方差进行了研究.针对Ⅰ型区间删失情况和Ⅱ型区间删失情况,找到了估计量方差有限的条件.     

基于软迭代的叠加训练序列信道估计方法

提出了一种基于软迭代的叠加训练序列信道估计方法.该方法将周期性训练序列与用户信息序列叠加后一起发送,通过软迭代方法,在接收端利用信道译码器输出的软信息来计算信息序列的一阶统计量,并将其反馈给信道估计器,用于消除观测量中来自未知信息的干扰,因此提高了信道的利用率和信道参数的估计精度.仿真结果表明,该方法有效地改善了信道估计性能,降低了接收机的误码率,提高了功率效率.     

均匀棒纯纵向运动初值问题混合有限元方法的H(div)模误差估计

笔者继续考虑均匀棒纯纵向运动初值问题的混合有限元方法[1],利用广义混合椭圆投影的误差估计,给出了H(div)模最优误差估计,使得该问题得到进一步的解决.     

基于巨磁阻抗效应表征材料磁结构的模型

研究了一种可用于磁结构表征的基于巨磁阻抗效应分析材料磁结构的模型.在建立巨磁阻抗效应与简化磁结构对应关系模型的基础上,结合磁化矢量正交分解手段,通过调节巨磁阻抗效应与简化磁结构对应关系模型特征参量的方法,获得了各种形状的巨磁阻抗曲线,根据拟合得到的解叠子谱特征,可获知材料内部磁结构的组成和特征.研究结果对于磁性材料内部磁结构的新型表征方法及其内部结构的控制具有重要的意义.     

Preliminary regional estimation of carbon sink flux by carbonate rock corrosion: A case study of the Pearl River Basin

The formation of carbonate rocks has had a dramatic sink effect on atmospheric CO2 throughout geological time.The wide global distribution of carbonate rocks and their strong sensitivity to climate change mean that carbonate rock corrosion consuming air/soil CO2 can play an important role in the global carbon cycle.The carbon sink accounts for 12.00%-35.29% of the missing carbon in the global carbon cycle.Using the Pearl River Basin as a case study,we analyzed comprehensively the factors impacting karstific...     

基于组合码字的矢量量化编码算法

传统的矢量量化编码方法总是将待编码矢量以码书中唯一的最匹配码字作为其近似输出矢量,以实现数据压缩的目的.这种方法对远离码字的矢量无法避免显著的误差.本文提出组合编码的矢量量化方法,其思想是对远离码字的矢量进行主辅组合编码,对主码字编码造成的误差通过辅码字加以补偿.实验表明,该方法在很小降低压缩比率的条件下显著提高了矢量编码精度,能够在信号处理等领域发挥有效作用.     

Stokes 方程的压力梯度局部投影稳定化方法

作者将压力梯度投影方法和宏元剖分相结合,对Stokes 方程提出了一种新的局部稳定化方法,该方法的稳定项只与压力梯度投影和宏元内部边界跳跃有关,而且不需要修改右端,实现起来更容易.     

用于统计语音合成的大尺度压缩HMM的方法

统计语音合成使用隐Markov模型(HMM)作为声学特征的统计模型。提出了一种利用声学模型空间距离进行HMM的大尺度压缩的量化方法,通过对矢量量化码本进行的优选迭代步骤,减小压缩后的声道谱模型与原模型之间的声学距离,使通过量化模型合成的语音更加接近未量化模型。主观和客观测试结果显示:使用该方法进行声道谱模型的压缩,在压缩至原模型大小的0.06左右时,仍有约90%的评价得分认为合成语音的质量没有明显下降。