相依回归系统参数的一种有偏估计

对二个相依回归方程组成的线性系统,提出两种新的有偏估计广义岭型协方差改进估计和广义岭型两步协方差改进估计．讨论了这两种估计的优良性质,给出的这两种估计是岭型协方差改进估计和岭型两步协方差改进估计的推广．     

业务协同驱动的高校数据质量管理模型及应用

从高校业务协同场景出发,结合高校业务数据特点,提出一种数据质量管理框架和评价模型;建立协同业务数据质量的评价指标体系,包括数据源质量、数据关联质量、数据效用质量三个维度7项一级指标;采用比较标度的改进层次分析法设计评估权重,简化构造矩阵的一致性校验的问题。实际应用表明,提出的评价模型可以有效量化评价业务协同场景下各系统和数据集数据质量,发现问题原因,具备可操作性和实用性,为提高数据质量提供参考。     

点缺陷对微波介质陶瓷介电性能的影响

从理论方面研究点缺陷对微波介质陶瓷材料介电性能的影响,通过实验分析微波介质陶瓷材料的几种改性机理中点缺陷所发挥的作用,以及工艺因素对点缺陷的影响,得出由于点缺陷的作用使得几种改性可能会产生的结果。     

一种动态融合的目标识别与跟踪算法

针对红外图像序列的特点,提出一种动态融合的目标识别与跟踪算法。由图像序列中的运动信息对目标进行提取,得到自适应波门所需的起始波门和灰度双阈值,以及匹配算法所需的基准模板,其后的跟踪, 融各算法为一体,分时机、分场合地给予灵活运用。最后,以实测的红外图像序列对文中提出的算法进行仿真实验,结果表明该融合算法的可行性与有效性。     

改进非线性潮流算法在功率因素测量应用中的研究

在功率因数的数字化测量中,由于电网频率波动造成非同步采样,从而影响功率因素测量的准确度,本文首次将一种快速收敛潮流算法一改进非线性潮流算法,应用于功率因素的数字化测量中,在准确度误差不超过0,0003的条件下,计算时间却小于10ms,满足功率因素在线监测的同时,还可以实时检测系统频率,为同步采样提供了一条新的途径。     

改进遗传算法求解带不相关并行机的HFSP

以最小化最大完工时间为目标的不相关并行机混合流水车间调度问题。首先建立了不相关并行机混合流水车间调度问题的数学模型;然后提出了改进的遗传算法进行求解。为弥补遗传算法的迭代后期容易陷入局部搜索的缺陷,在传统遗传算法的基础上利用改进的自适应交叉和变异概率因子及模拟退火局部搜索策略,增强遗传算法在迭代后期跳出局部最优的能力。并通过两个案例来验证改进遗传算法的有效性。     

基于云计算和改进极限学习机的电网负荷预测

随着智能电网和通信技术的迅速发展,电网系统采集的用户数据规模呈指数增长,传统电网负荷预测方法难以满足海量负荷数据情形下的高效分析和计算需求。据此,依托电力系统数据采集云平台,提出一种基于云计算和改进极限学习机的电网负荷预测模型,采用Map-Reduce网络架构,部署于Hadoop平台,利用分布式计算方式进行电网负荷的精准建模和预测分析。结果表明,相比已有方法,本研究方法具有负荷预测精度高、运行速度快的优势,可为后续智能电网系统建设及管理运用提供一种新颖的解决思路。     

基于消卷积的三维成像雷达散射截面测量技术

基于三维成像雷达散射截面积(RCS, Radar cross section)测量技术是近年新兴的一种灵活、高效的RCS测量技术。该技术基于三维线阵合成孔径雷达(SAR, Synthetic aperture radar)测量系统对目标进行近场三维高分辨成像,通过近远场变换算法,得到目标的远场RCS,具备近场、外场测量能力。基于成像的RCS测量,其成像精度就直接影响着RCS的测量精度,因此,为了得到高质量的RCS结果,就需要得到高分辨的图像。本文采用压缩感知三维成像算法对目标进行成像,有效提高了RCS的反演精度,并分析了改进CLEAN算法的抑制旁瓣原理,得出两种方法都是基于消卷积原理对旁瓣进行抑制。用MATLAB和FEKO测量仿真,结果表明压缩感知算法提取散射中心效果更好,且提高了RCS的反演精度。     

通航机场场面运动目标检测方法

针对传统YOLOv3（you only look once-v3）算法目标检测精度较低、收敛速度较慢等问题,提出了一种改进的YOLOv3算法,分别对主干网络和损失函数进行了改进。采用迁移和冻结相结合的训练方法,以提升目标检测的精确度和速度。基于改进的YOLOv3算法对西南某通航机场3种不同场景下的运动目标检测效果进行了对比分析。结果表明,改进的YOLOv3算法对正常天气场景下的场面运动目标检测效果要明显优于雾天和雨天场景,对飞机目标的检测效果明显优于车辆和行人目标;3类目标的检测精度、召回率、平均精度值(mean average precision,mAP)分别达到92.96％、80.51％、91.96％,GPU处理速度为74f/s,较传统YOLOv3算法和YOLOv4算法性能均有明显提升。     

多深度学习模型决策融合的齿轮箱故障诊断分类方法

针对齿轮故障诊断中单一传感器采集信息不完全、容错性不佳及一种神经网络模型具有局限性,传统信号处理技术提取特征困难等问题,提出了多深度学习模型决策融合的齿轮箱故障诊断分类方法,构建了基于CNN(Convolutional Neural Networks)和改进SDAE(Stacked Denoising Autoencoders)的混合网络模型,根据改进的D-S证据理论实现决策级融合诊断。以时频信号作为CNN的输入,以频域信号作为SDAE的输入,采用Adam优化算法和dropout、批量归一化技术训练该混合模型。实验结果表明,利用该融合方法对齿轮进行故障诊断相比单个的网络模型CNN和SDAE诊断正确率有所提高,为齿轮故障智能诊断分类提供了新路径。