基于农民增收的我国农业国内支持的结构优化

基于“农业增效、农民增收、农村可持续发展”的目标，运用层次分析法，以农村经济可持续发展作为目标层，以增加农民收入、食物安全、提高农产品国际竞争力和生态环境保护为准则层，构建我国农业国内支持层次结构模型.结果显示，各种“绿箱”政策中作用程度所占权重较大的依次为咨询与推广服务、农业基础设施服务、培训服务、农业科研、投资援助提供的结构调整援助和病虫害防治，分别为0.1096、0.1071、0.1036、0.0787、0.0721和0.0709.各种“黄箱”政策中，价格支持，营销贷款，按产品种植面积给予的补贴，按牲畜数量给予的补贴，种子、肥料、灌溉等投入补贴及对贷款的补贴等政策措施的作用程度所占的权重分别为01817、00643、01495、03280、01379和01386.     

基于支持矢量机和循环累积量的调制识别算法

利用通信信号的循环平稳特性,在循环累积量域内构造信号分类特征矢量,采用支持矢量机将分类特征矢量映射到高维空间并构建最优分类超平面,实现对QAM调制信号的自动识别。该算法解决了样本在低维空间中的不可分问题,具有良好的泛化推广性能,并且可在多种调制信号环境下实现对感兴趣信号类型的识别。理论分析和仿真结果均证明了算法的正确性和有效性。     

最小二乘支持向量机分类器的高稀疏化及应用

为减少训练完毕之后的最小二乘支持向量机的分类计算量,借鉴神经网络的快速剪枝策略,提出了一种新的稀疏化算法:HS-LSSVM。它在主成分分析基础上,筛选出样本子集作为支持向量,它们既包含较多核函数矩阵信息,又相互独立性强,具有较好的代表性。算法将其余个体的信息转移至支持向量上,在实现高度稀疏化的同时,良好地保持了LSSVM的分类性能,并能适用于多类问题。对多个分类问题的测试表明,HS-LSS-VM具有稀疏率高,分类性能强,且稀疏化速度较快等优点。     

基于TCPN的装备维修保障资源管理模型

探讨了一种带优先级的时间有色Petri网,并利用其建立了一种装备维修保障资源管理模型,尔后利用CPNTools进行了仿真;分析了维修过程的总体运行、资源利用率等情况,提出了资源优化配置和调度的方法。     

探析新产品开发中影响因素的作用大小——论技术创新度的调节作用

从企业内部可控因素出发,具体从企业管理层行为、跨部门协同行为以及各部门具体操作行为等三个层次探讨高级管理层支持、跨部门目标一致性以及各部门早期参与对新产品开发的积极作用。并分析在不同技术创新程度对这三大积极因素作用效果的影响。结果表明,在创新程度高的情况下,高级管理层支持对新产品开发的促进作用减弱,跨部门目标一致性和各部门早期参与对其的积极作用增强。本文在此基础上提出6个命题,构建了概念模型。     

高主动支护性与高材料强度利用率锚杆支护技术的研究与应用

论述了巷道锚杆支护的作用,介绍了锚杆支护的主动性和材料强度利用率的特点,基于施工实践,指出采用高主动支护性、高材料强度利用率锚杆支护技术能使巷道支护达到快速、优质、安全、高效的目的.     

石圪台煤矿71203工作面过断层分析

介绍了71203工作面断层情况及前期准备工作,阐述了综采过断层的工艺,指出在断层部分进行回采卧底留顶快速直推法通过断层,可取得很好的经济效益.     

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%。     

过站航班地面保障流程效能评估

为了感知过站航班地面保障流程运行状况和优化机场协同决策信息系统,研究了单航班条件下的保障流程效能评估问题。通过系统分析地面保障流程,得到各场景的效能评估指标。结合评估指标的大小、重要性及聚散状态3个维度,构建了流程效能评估指标体系。设计了一种基于雷达图周长-面积的过站航班地面保障流程动态效能评估方法,并结合实际运行数据开展仿真验证。研究表明,流程效能评估结果整体上直观描述了保障流程效能的动态变化。通过客观性对比和敏感性分析可知,结果一定程度反映了过站航班离港属性,为航班推出控制提供依据。     

An Adaptive Multiscale Ensemble Learning Paradigm for Nonstationary and Nonlinear Energy Price Time Series Forecasting

For forecasting nonstationary and nonlinear energy prices time series, a novel adaptive multiscale ensemble learning paradigm incorporating ensemble empirical mode decomposition (EEMD), particle swarm optimization (PSO) and least square support vector machines (LSSVM) with kernel function prototype is developed. Firstly, the extrema symmetry expansion EEMD, which can effectively restrain the mode mixing and end effects, is used to decompose the energy price into simple modes. Secondly, by using the fine‐to‐coarse reconstruction algorithm, the high‐frequency, low‐frequency and trend components are identified. Furthermore, autoregressive integrated moving average is applicable to predicting the high‐frequency components. LSSVM is suitable for forecasting the low‐frequency and trend components. At the same time, a universal kernel function prototype is introduced for making up the drawbacks of single kernel function, which can adaptively select the optimal kernel function type and model parameters according to the specific data using the PSO algorithm. Finally, the prediction results of all the components are aggregated into the forecasting values of energy price time series. The empirical results show that, compared with the popular prediction methods, the proposed method can significantly improve the prediction accuracy of energy prices, with high accuracy both in the level and directional predictions. Copyright © 2016 John Wiley & Sons, Ltd.