逻辑型的二维自适应DPCM图象编码

提出一种逻辑型的自适应ＤＰＣＭ预测器．用周围象素亮度差的平均值作参考，将邻近象素亮度的差值表示为二进制码，再用逻辑运算单元选择适当的预测器，从而有效地提高了图象编码的速率．     

摆式客车倾摆控制系统神经网络预测控制

考虑伺服电机及机械系统的非线性对车体倾摆的影响，并包括伺服电机的饱和非线性特性的影响在内，采用神经网络方法对非线性特性的动态系统的输入输出关系进行辨识研究，建立摆式客车伺服系统神经网络非线性模型；提出在摆式客车中运用神经网络预测控制结合鲁棒控制的复合控制系统，解决这类非线性系统的控制问题，即应用神经网络进行辨识及预测控制．研究表明，从理论及工程应用角度看神经网络预测控制都是切实可行的，为在摆式客车倾摆控制系统中应用神经网络预测方法提供了一个新的方向．     

测井界面参数井约束反演及其应用

引入“测井界面参数”的概念，从声波、自然伽马、电阻率等测井曲线提取“测井界面参数”，并在一定条件下类比作反射系数；结合地震道剖面，采用宽带约束反演进行测井参数反演，得到相应声波、自然伽马、电阻率等测井曲线剖面．在得到各测井参数场的横向、纵向展布的基础上，综合解释各剖面，实现油气储层的横向预测及其精细描述，扩大了测井测量的作用范围．在中国塔里木盆地进行实际资料处理，结合地质模型进行综合解释应用，得出的结论与实际地质结论基本吻合，证明了该方法的有效性。     

变风量空调系统中基于预测的末端再热控制策略

在对多区域变风量空调及其控制系统分析研究的基础上,提出一种优化的新风控制策略———基于预测的末端再热控制策略.该策略通过预测的方法对系统实施前馈控制,使用末端再热器调整区域的送风量,从而能够合理地分配新风.仿真结果表明,该新风控制策略与最大新风比控制策略相比,可以使系统保持较小的总新风吸入量,通过有效地控制各区域新风的配给,在保证各区域新风要求的同时,节约系统的能耗.     

阶梯状来流中立管的涡激振动响应预报

将变参数受拉柔性梁的有限元模态分析与涡激振动预报结合在一起,建立了变参数柔性立管的横向涡激振动预报模型,考虑到海洋立管的模态信息与涡激振动响应高度耦合,为合理计算附加质量对模态信息的影响,模态分析与涡激振动响应预报迭代进行.其中,使用有限元方法对立管进行模态分析,考虑了质量、拉力、抗弯刚度沿立管轴向的变化;在此基础上,涡激振动响应计算在各个模态上分别进行.在出现多模态参与的情况时,比较各模态的振幅,对模态受力进行折减.与近期阶梯状来流作用下立管涡激振动实验结果的比较显示,本文模型是有效的.     

基于短期预测的追捕方法

针对具有安全区的追捕逃避问题,抛开参与人是否理性的假设,提出了一种基于短期预测的追捕方法.由参与人短期内状态空间有限和伪蒙特卡罗方法原理阐述了进行短期预测的可行性.追捕方法的流程为:追捕方先根据物理条件限制预测双方的短期状态;根据反映对抗态势的特征计算出对手处于某状态时自身某状态的收益,并由此进一步获得针对同时刻对手各个状态的自身某状态的综合收益;估算出自身各个预测状态的综合收益后,选取某个状态作为短期目标,执行能到达该状态的行为.结合足球机器人一对一对抗的实践进行了仿真,结果表明该方法有效.介绍了在自主式足球机器人上应用基于短期预测的追捕方法的初步实验,证实该方法具有一定的实际应用价值.     

多响应近似线性回归模型的Minmax稳健设计

研究多响应变量近似线性回归模型的Minmax稳健设计问题．以响应变量均方误差阵的迹tr（MSEM）为准则，对回归方程系数采用广义最小二乘估计，进而利用最小二乘法得到最优逼近函数．从而将Huber（1975）的方法和Wiens（1990）的结果推广到多响应变量场合．最后考察了一个特例，即当回归变量问可能存在交互作用时的双响应二元曲面线性回归模型，得到了与Wiens（1990）较一致的结果．     

高速公路软基最终沉降预测的范例推理方法

针对高速公路软基沉降的复杂性和不确定性，充分利用地质资料，运用模糊相似优先的概念，构造了高速公路软基最终沉降预测模型。对每个影响软基沉降的因素，分别建立了软基目标范例与源范例之间的模糊相似优先关系。经过影响因素之间的两两比较，获得了不同影响因素下软基的目标范例与源范例之间的相似性序列，计算得到软基目标范例和源范例之间的综合相似性序列，从而找到与软基目标范例最相似的源范例，实现了软基最终沉降预测。实例评价结果与实际沉降观测结果一致，这为预测软土地基路基沉降提供了一种新的方法。     

砂岩级配料开采爆破块度预报与爆破参数优化研究

通过张河湾抽水蓄能电站上水库面板堆石坝级配料开采爆破试验对Kuz-Ram爆破块度预报经验模型进行修正,建立了适合张河湾蓄能电站级配料开采的爆破块度分布模型,通过对爆破块度级配与爆破参数的相关分析,提出了砂岩级配料开采的优化爆破参数.     

Research on Chaotic Time Series Prediction Based on K-entropy and RBF Neural Networks

In this paper, a method of direct multi-step prediction of chaotic time series is proposed, which is based on Kolmogorov entropy and radial basis functions neural networks. This is done first by reconstructing a phase space using chaotic time series, then using K-entropy as a quantitative parameter to obtain the maximum predictability time of chaotic time series, finally the predicted chaotic time series data can be acquired by using RBFNN. The application considered is Lorenz system. Simulation results for direct multi-step prediction method are compared with recurrence multi-step prediction method. The results indicate that the direct multi-step prediction is more accurate and rapid than the recurrence multi-step prediction within the maximum predictability time of chaotic time series. So, it is convenient to forecast and control with real time using the method of direct multi-step prediction.