基于NCAGA-投影寻踪混合优化城市客运量预测

为了提高参数投影寻踪回归(parameter projection pursuit regression,PPPR)模型对城市客运量的预测精度, 基于cat映射、高斯分布和精英局部搜索对加速遗传算法进行改进. 提出了新的混沌加速遗传算法(new chaosaccelerating genetic algorithm, NCAGA),用于对PPPR模型的最佳投影方向α的优选.建立了在外层优化岭函数个数M的同时,内层利用NCAGA优化最佳投影方向a的NCAGA-PPPR混合优化城市客运量预测模型,结合某市统 计资料进行了仿真预测.结果表明该方法的预测精度优于BP神经网络模型、传统PPR模型和基于加速遗传优选的PPPR模型, 平均绝对相对误差小于3.1%,提高了城市客运量的预测精度,可有效应用于城市客运量的预测.     

基于振幅压缩的随机振荡序列预测模型

以提高灰色系统预测模型对随机振荡序列的预测精度为目的, 提出了一种通过平滑性算子压缩随机振荡序列振幅, 提高序列光滑度的算法, 并在此基础上推导及建立随机振荡序列的灰色预测模型; 将该模型应用于多组随机振荡序列的模拟, 并与其他模型的模拟精度进行了比较, 结果表明, 新模型能显著提高随机振荡序列的模拟精度.     

基于UT变换的MMPHD机动目标跟踪

基于序列蒙特卡罗方法的多模概率假设密度(probability hypothesis density, PHD)滤波算法及其改进方法,在预测过程中依据多个并行的状态转移模型将大量粒子散布到下一时刻目标所有可能出现的状态空间,从而实现目标状态的捕获。由于这些方法大量使用粒子,造成计算量巨大、算法实时性差。为此,提出了基于无迹变换的多模PHD机动目标跟踪方法。该方法利用最新量测信息获得粒子预测过程中的建议密度函数,从而将粒子聚合在目标最可能出现的状态空间邻域中,充分实现粒子的有效利用。仿真实验表明,论文提出的算法不仅显著减少了多模PHD算法的计算量,而且在一定程度上提高了多模PHD算法的精度。     

基于PO的进近着陆系统信道环境分析和仿真预测

针对机场环境日益复杂,进近着陆系统对于机场环境的影响十分敏感的实际问题,提出了一种基于物理光学理论(PO)的进近着陆系统信道环境分析和仿真预测方法。应用基于PO的信道散射环境分析方法,建立了系统的信号源模型和考虑信道环境影响的系统航道偏移模型,对受多散射体影响的信道环境下的进近着陆系统进行建模,结合实际问题,应用建立的模型对散射环境中的进近着陆进行了仿真,结果表明,基于PO的仿真预测方法能够较准确、合理地给出散射环境对系统的影响程度,具有预测机场配置物体对系统影响的能力。     

侧风状况下轿车气动特性的仿真与实验研究

以获得适合计算侧风气动特性的湍流模型为目的,应用计算流体动力学方法对比了标准k模型、RNG k模型、Realizable k模型以及SST模型对不同横摆角状态下轿车气动特性仿真结果的影响。结果表明,当0时,采用Realizable k湍流模型仿真得出的阻力系数与实验结果最为吻合,误差仅为1.53%,侧力系数的仿真结果与理论分析更为吻合;当3～1 5时,采用Realizable k湍流模型仿真得出的阻力系数与实验结果相比误差最大为0.96%,侧力系数的仿真结果与实验结果趋势一致,误差最大也仅为4.9%。总之,Realizable k湍流模型能够很好的模拟侧风状态下车辆的气动特性,仿真结果为进一步分析车辆的侧风稳定性提供了参考数据。     

基于学习矢量量化（LVQ）神经网络的高校毕业生学位评审预测

利用影响毕业生学位评审的五大指标：学习成绩、实习成绩、论文成绩、英语四级、计算机等级,提出基于学习矢量量化LVQ（Learning Vector Quantization,LVQ）神经网络的高校毕业生学位评审预测模型.以某高校某专业毕业生的实际数据为例,验证了此方法的预测能力.结果表明,基于LVQ神经网络的高校毕业生学位评审预测模型,能为评审学位的工作者提供有益的辅助参考.     

支持大规模地震探测数据快速可视化的云端数据缓存技术

首先, 基于云计算应用模式, 提出一种能有效利用云存储架构的双层缓存技术. 通过在客户端和服务器端建立分布式缓存, 能有效避免用户频繁访问远端数据, 为用户构建轻量级的客户端, 解决了目前地学数据可视化软件大量占用用户本地存储容量的问题. 同时服务器端也避免了多次访问云存储文件系统, 减少了大量的数据检索与加载时间. 其次, 提出一种ARLS(association rule last successor)访问预测算法, 根据用户的历史访问记录, 利用关联规则挖掘用户的访问模式, 对其访问行为进行预测, 进而提前加载数据, 提高缓存命中率, 解决了用户在可视化过程中不断移动兴趣区域, 频繁更换渲染数据的问题, 能有效应对用户具有多种访问模式的情况, 提高了预测准确率. 实验结果表明, 该云存储架构显著减少了本地资源消耗, 访问预测算法的准确率在最差情形下可达47.59%, 平均准确率达91.3%, 分布式缓存的平均缓存命中率达95.61%, 可有效支持云端大规模地震数据的快速可视化.     

国内外实验动物模型概览

 实验动物主要分为3类,即常规实验动物,自发突变实验动物和基因工程实验动物。实验动物模型对生命科学、医学等相关学科的发展具有重要的支撑作用。中国实验动物科学起步较晚,但随着国家科研经费投入的增加,中国逐步形成了自己的研发体系和实验动物资源,在特定领域有超过美日的趋势。本文概括介绍了国内外常见实验动物模型,旨在为促进中国实验动物学科的发展提供参考。     

页岩气藏压裂水平井物质平衡模型的建立

针对页岩气藏压裂水平井中裂缝、基质、游离气和解吸气等对产气量贡献比例定量计算的难点问题,开展了动态渗流分区的物质平衡模型的建立与分析研究,研究中采用了不同渗流区域内压力降传播速度及平均地层压力的计算方法,进行了动态渗流分区设计,给出了压裂液返排后储层受渗吸作用的含水饱和度计算方法,建立了由12项构成的综合物质平衡方程。通过模型的实例应用与分析,获得了气井生产的7个渗流阶段,揭示了不同生产时间的供气结构比例变化规律,认识到基质储层的游离气是气井长期生产的主要供给气来源,其次是解吸气。模型的建立简化了多尺度渗流方程的描述和复杂求解过程,为理论分析和现场应用提供了一种新的方法,也为深入理解和研究页岩气藏渗流特征提供了依据。     

基于深度极限学习机的柴油机尾气排放预测

准确预测拖拉机等柴油机械实际工况污染物排放在排放清单建立和区域污染物排放控制方面具有重要意义。基于拖拉机不同运行状态下发动机转速、油耗、燃烧比、CO、HC、NOX和PM等实测数据作为数据源,建立深度极限学习机(Deep Extreme Learning Machine,DELM）的预测模型,并对拖拉机怠速、行走和旋耕等基本工况下的污染物排放进行预测。为进一步评估DELM预测模型的适应性,将其与支持向量机(support vector machine, SVM)和前馈神经网络(Back propagation neural network, BPNN)模型进行对比分析。结果表明,1）DELM模型在预测排放时间序列方面具有一定优势,其预测拖拉机在怠速、行走和旋耕3种状态下的NOX、HC、CO和PM排放均方根误差均值分别为5.269×10-5、5.195×10-5、5.135×10-5和2.795×10-5。2）DELM模型与SVM和BP对比发现,DELM模型在鲁棒性以及适应性方面的优势显著。3）DELM方法的较高的准确度和泛化性,为基于发动机状态数据预测移动源尾气排放提供思路和方法。