二维零相关区周期互补序列偶及其理论界的研究

为了给通信系统提供更多的最佳离散信号,提出了一种新的最佳离散信号,即二维零相关区周期互补序列偶,研究了二维零相关区周期互补序列偶的变换性质,利用矩阵秩的不等式推导出了二维零相关区周期互补序列偶的理论界。基于循环左移算子,以缩小零相关区为代价,给出了一种扩展二维零相关区周期互补序列偶集的方法,该方法可以为通信系统提供大规模的信号集。     

基于区间模糊互补判断矩阵的排序权重研究

从研究区间数判断矩阵中的一致性信息出发,给出若干个关于区间权重向量、区间判断元素、方案偏序的性质、定理及其证明,指出目前一些排序方法存在的问题,并加以举例说明.     

混合变量的余能原理及其应用

应用功的互等定理,建立了小变形线弹性混合变量的第一余能（最小余能）原理和第二余能原理。以该原理为基础,给出了弯曲矩形板混合变量相关的两个余能原理。并且,应用第二余能原理计算了一复杂边界条件下矩形板的弯曲。     

新的结合非线性互补问题函数的逐步二次规划滤子算法

对于结合非线性互补问题(nonlinear complementary problem,NCP)函数的逐步二次规划(sequential quadratic programming, SQP)滤子算法,提出一种新方法来构造滤子,目的是为了使滤子的接受条件更宽松,降低进行可行性恢复的机率.对于改变滤子构造后会引起的滤子点数量过多的问题,又给出一种限制滤子点数量的办法.另外,通过一些数值例子对这种新算法进行检验,事实证明这种算法是有效的.     

不完全信息下模糊互补判断矩阵的排序方法

给出了不完全信息下的模糊互补判断矩阵及其拟一致性的定义,并研究了不完全信息下的模糊互补判断矩阵拟一致的充要条件,提出了不完全信息下模糊互补判断矩阵的最小二乘排序方法,并把它推广到群体决策的情形,最后通过一个算例说明该方法计算简洁有效．     

基于相位翻转PTS降低OFDM系统PAPR的改进算法

为解决OFDM(Orthogonal Frequency Division Multiplexing)系统中IPTS(Iterative Partial Transmit Sequences)抑制PAPR(Peak To Average Power Ratio)强度有限的问题, 提出了采用梯度递减的搜索方法将传输数据分为D 层、对传输数据进行逐层筛选、并将每层内相位因子的搜索与IPTS 技术相结合的改进算法。仿真结果表明,改进算法在较IPTS 复杂度增加不大的前提下, 其抑制PAPR 的能力有显著提高。在128 个子载波的OFDM 系统中, PTS 子序列数V 取8, 外层分块数D 取2, 累积分布函数(CCDF: Complementary Cumulative Distribution Function)为10^-5 时, 改进算法的PAPR 值比IPTS 算法降低近0. 5 dB。     

非理想多刚体系统动力学与线性互补性问题

通过结合线性\非线性的互补条件(LCP\NCP)来描述多体系统动力学的非光滑特性具有独到的优点。对于单边约束的多体系统,可以根据其单边特性,将该系统描述为微分代数方程组(DAE)与互补条件(CP)结合的混合框架,但用该方法处理含摩擦的双面约束系统时,双面约束的CP表示方法是个难点。本文通过引入新的参数,将含摩擦的双面约束系统同LCP问题联系起来研究,同时讨论了该系统中可能产生的奇异性问题。     

模糊互补判断矩阵一致性修正新方法

判断矩阵的一致性修正是利用层次分析法进行决策的一个重要步骤,本文利用几何平均法对由专家构造的模糊互补判断矩阵进行修正,证明了满意一致性矩阵的存在性与所给方法的收敛性,最后给出了一算例.     

灰色多属性决策的模糊互补判断矩阵排序方法

以灰色系统理论的思想和方法为基础,探讨了决策方案的属性值为区间灰数的灰色多属性决策问题,提出了解决这种灰色决策问题的决策方法.根据区间灰数的本质特征,首先定义了两区间灰数的新的相离度和构建了基于相离度的灰色区间关联系数公式与灰色区间相时关联系数公式;其次通过引入方案间优势度和优势度比较矩阵概念及其计算公式,证明了方案间优势度比较矩阵为模糊互补判断矩阵,从而给出了方案的排序.实例分析说明了所提出的灰色决策方法的合理性及其算法的有效性.     

基于CEEMD-BiLSTM-RFR的短期光伏功率预测

由于短期光伏预测中气象因素的时间尺度不同,直接分析其对光伏功率的相关性,易忽略时间尺度的影响,进而导致预测模型误差。为提高光伏功率预测精度,构建了预测模型。首先,利用互补集合经验模态分解(complementary empirical mode decomposition, CEEMD)将光伏序列进行分解,得到在不同时间尺度上的光伏分量;然后,通过Pearson相关系数分析各光伏分量与空气温度、太阳辐射度、风速、风向和空气湿度的关系,对于强相关分量建立关于气象因素的随机森林回归(random forest regression, RFR)预测模型,弱相关分量直接通过双向长短期记忆网络(bidirectional long short-term memory neural network, BiLSTM)进行预测;并将预测求和输出。通过安徽省蚌埠市光伏电站7月实测数据进行验证,实验结果表明,所提预测模型CEEMD-BiLSTM-RFR相比传统预测模型有较好的预测精度。