硬边孔径动态散斑的时空交叉相关特性研究

用统计光学的方法，推导了硬边孔径动态散斑场的时空交叉相关函数，并讨论了散斑的平移规律和“沸滕”现象。Q     

我国航空客运量需求预测模型:基于随机前沿预测模型和模型平均

针对多数研究以产品或服务的历史消费量来代替不可观测的需求量而导致的需求预测出现实质性偏差的问题，本文将包含技术无效率项的随机前沿预测模型应用于航空客运量需求的预测，从而有效解决实质性偏差的问题.同时我们在此基础上引入一种模型平均权重确定方法，即通过最小化M折交叉验证准则（CV_M）确定候选模型权重.本文证明了该方法在理论上的最优性.由于模型中技术无效项的存在，我们可以同时预测航空客运量的实际产生量和需求量，实证研究也表明，相比其他常用的预测方法，该方法在预测航空客运量中长期的实际产生量上更具优势.     

基于DEA交叉模型的西部地区生态效率时空变化

建立基于DEA模型的生态效率投入产出指标体系,以2005-2009西部地区11个省份截面数据为样本,采用DEA交叉评价模型和空间对比分析方法,对西部地区生态效率进行时空差异研究.结果表明:从时间上看,西部地区生态效率总体上呈现出增加的趋势,省份之间的差异进一步扩大,其中,陕西一直处于首位,而宁夏一直处于末位.从空间上看,西部地区生态效率存在着明显的区域差异,东南区域整体上要高于西北区域,但是区域间的这种差异呈现出增大的趋势,生态效率分布的重心逐渐向区域中心集中,经济条件好的省份生态效率水平相对较高.最后,依据以上研究发现,提出了相应的建议.     

居住地、出行方式与出发时间联合选择的

为刻画居住地、出行方式与出发时间的联合选择行为,选取房价、出行耗时、出行费用及个人属性等作为效用变量,以居住地选择子集合、出行方式选择子集合和出发时间选择子集合的组合作为模型的选择项,构建基于广义极值(GEV)理论的交叉巢式Logit模型,为方便对比,同时构建3种结构的传统巢式模型.利用2005年北京市第3次居民出行调查数据,对模型参数进行估计和检验,并进行弹性分析,分析效用变量的改变引起的备选方案选择概率的改变.参数估计结果表明,交叉巢式Logit模型具有比NL(Nested logit)模型更优的统计学特征,当效用变量改变时,选择者最先变更其出发时间,然后是出行方式,最后才考虑改变其居住地.直接和交叉弹性分析表明,对于小汽车方式的远距离通勤者,即使额外收取费用亦难以降低其出行比例;当通勤距离小于5km时,一种方式出行时间的变化对另一种方式选择概率的影响微乎其微,而当通勤距离在10～20km时,这种影响最显著.     

交叉潮汐透平阵列能量输出的数值研究

为了使交叉潮汐透平阵列得到更好的应用,针对交叉透平阵列的特性对建立在叶素理论(BE)、激盘模型和计算流体动力学(CFD)技术基础上的计算潮汐透平水动力性能和流场的BE+CFD方法做了进一步的完善.通过该方法深入研究了交叉透平阵列结构参数对阵列透平能量输出特性的影响,结果表明:透平阵列最优横向间距为2.5倍透平叶轮直径;透平阵列纵向间距越大,透平的能量输出越高,纵向间距为6倍透平叶轮直径时,4排交叉透平阵列的相对功率系数可达3.74;最优结构参数时,前两排透平的能量输出较相同条件的单机透平提高了11%.据此,提出了一种新的交叉透平阵列布置方式,经过比较发现,新的交叉透平阵列布置方式较原交叉阵列的优势更为显著,从流场周围吸收的能量更多,透平阵列的能量输出更高.     

基于Web服务器的机电运控系统代理软件设计

通过对Web服务器的研究,结合高速公路现有机电设备及管理现状,提出了一种在Linux环境下基于Web服务器的机电系统运控代理软件设计思想。介绍了该运控软件的模块构成、工作原理及流程,详述了该软件中Web服务器、HTTP(超文本传输协议)动态页面、socket通信、交叉编译、定时轮询等相关技术。通过仿真,验证了代理软件设计的可行性。     

中西医结合的新方式与新途径探析

中西医结合是中医药工作的重要内容．是中医与西医相互交叉渗透、互相促进、互相融合的必然结果,已成为我国医疗卫生工作的特色和优势之一。50多年来,我国医学工作者取中西医理论和临床经验之长,走中西医结合之路,以卓有成效的实践性和理论创新性受到国内外医学界的瞩目。涌现出了一大批令国内外同行刮目相看的高水平成果。目前,由于中西医学本身及其相互关系并没有发生根本性质地改变,     

交叉余积上的弱Hopf代数结构

利用左H-模、弱双代数、交叉积等工具给出了交叉余积成为弱双代数与Hopf代数的充要条件.     

改进Stacking算法的光伏发电功率预测

针对Stacking算法计算时间较长和样本数据较少的问题,提出了一种基于新向量表示和交叉验证精度加权的改进Stacking算法。采用三层算法结构,第1、2层为初级层,使用随机森林、SVR、XGBoost 3个学习器;第3层为次级层,使用LightGBM对第2层输出再次学习以减弱噪声。用一种新的向量表示法来增大层级之间输入输出数据的样本规模和样本分布密度,来保证数据维度不会随着初级层学习器数目的增多而增大;根据在交叉验证下初级层不同预测模型表现出预测准确度的差异性对结果进行加权处理。利用某光伏电站的发电数据进行实际算例分析,提出的模型在MAE、MSE及$R^2$指标上,相比随机森林和Stacking等模型其预测性能有很大的提升。