柴油机压缩过程紊流场规律的研究

在直喷式柴油机气缸和燃烧室中利用热线风速仪研究了紊流场的发展变化规律;在两种不同压缩间隙情况下对压缩过程中紊流场进行测量的结果表明,只有在压缩过程的初期及中期,紊流场才可以近似地当做均匀各向同性紊流场,而在循环的其它时间内,气缸和燃烧室内的紊流场属于非均匀各向异性的;通过对气缸和燃烧室中空气运动的力、能转换的分析,导出了上止点附近燃烧室内涡流转速的估算公式,利用该公式得到的结果与试验结果相当吻合。研究和探讨了燃烧室中空气涡流和紊流强度增加的原因及其影响因素。     

基于隐马尔科夫模型的浏览路径预测

基于马尔科夫模型的浏览路径预测，仅仅从用户的浏览会话本身出发来预测用户下一步的链接，并不能捕获用户的真正兴趣所在。运用隐马尔科夫模型来分析用户浏览网页的内容，可进一步捕获用户的浏览兴趣，并作下一步的链接预测。当浏览序列长度逐渐增加，系统捕获的用户浏览信息越来越多，此时能够折射出用户的兴趣所在，预测准确率也逐步增加。当浏览序列长度大于或等于8时，预测准确率已经到达80％，提高了预测准确率。     

动态近似熵快速算法在心率变异研究中的应用

提出了一种动态近似熵的快速算法,只要较短数据就能表现信号的非线性特征,并大大缩短了计算时间.对心率变异性分析中静卧-行走实验采集的R-R间期信号进行了动态近似熵分析,描述了心率调节作用的动态变化,反映了受试者生理状态的改变与心率变异的无序性.     

An approach for user’s trajectory prediction based on the trajectory cluster

The existing user’s trajectory prediction methods considered little about the interrelation among users and would fail if the user historical trajectory data were lack. This paper presents a user’s trajectory prediction model and corresponding algorithms by the historical trajectories of users based on the trajectory cluster. The experimental results on MDC dataset show that the proposed method has great improvement in efficiency, accuracy, and scalability comparing with the traditional methods, and it also be applied to the situation where user’s historical trajectory data are lacked.     

边坡位移时序预测的组合模型研究

将边坡变形预测看作一个特殊的凸二次规划问题,以加权一阶局域法（AOLMM）、Lyapunov指数预报法以及神经网络预测方法（ANN）为基础,建立了边坡变形预测的组合模型,应用动态规划方法求解组合预测模型的最优解,以达到有效利用各种预测方法提供的信息和提高模型预测精度的效果．通过工程实例研究表明,该组合预测模型较单一预测模型精度有较大提高,表明组合预测模型的可行性及有效性．     

桩基荷载下溶洞顶板安全厚度研究

本文以深圳市龙岗区龙城工业园内某高层建筑桩基下的溶洞顶板为研究对象,运用理论公式和数值模拟方法分别对桩基荷载下溶洞顶板安全厚度进行研究。选取单桩承载力、溶洞洞跨、溶洞形态系数、桩端偏心率作为顶板安全厚度的影响因素,通过数值模拟得到了安全厚度与各单因素之间的影响规律,并综合考虑这些影响因素得到安全厚度的预测模型;在能保证安全的前提下,将预测模型值与理论公式值进行对比,判断出预测模型更合理节约,对岩溶地基高层建筑桩基设计和现场施工有一定的指导意义。     

基于BP神经网络的轴承套圈磨削误差的预报

提出一种基于BP(反向传播)神经网络磨削误差的预报方法,针对轴承套圈磨削误差序列的非线性特点,使用BP神经网络对其进行建模预测,为磨削自动线的监控调整提供准确的预报值,从而可有效地修正磨削过程中温度、变形及其他复杂因素对工件加工精度的影响,提高加工精度,降低轴承套圈磨削的尺寸分散度。     

基于自适应变异PSO-SVM的APU性能参数预测模型

为提高辅助动力装置(auxiliary power unit,APU)性能参数预测的精度,针对支持向量机(support vector machine,SVM)模型在实际使用中遇到的参数选择问题,采用自适应变异粒子群优化(particle swarm opti-mization,PSO)算法实现对SVM惩罚参数和核参数...     

罩式退火炉温控系统的神经网络PID预测控制

罩式退火炉温控系统是一类具有大滞后及模型慢时变系统,采用传统控制方法其效果并不理想.因此,将神经网络PID预测控制思想应用于罩式退火炉温控系统,利用灰色预测模型与四阶龙格库塔法相结合对罩式退火炉温控系统的行为进行预测,同时结合神经网络PID控制器克服预测误差、系统干扰等不确定因素带来的影响,提高系统的自适应性.仿真结果表明,系统运行平稳,受不确定因素的影响较小,对罩式退火炉温控系统具有良好的控制效果.     

小样本不平衡设备数据下的机器学习策略研究

针对小样本数据样本容量不足与分布不平衡的设备寿命预测问题,构建基于改进SMOTE算法与改进KNN(K-NearestNeighbor)算法联合优化模型。首先,设置噪声比例系数β排除样本数据中的噪声,随后通过类B-SMOTE(Borderline-SMOTE)算法与传统SOMTE算法结合构建改进SMOTE(ISMOTE)算法对存在分布问题的少数类样本进行新增优化,避免因为样本分布不平衡以及样本数量较少引起的偏差。其次,针对分类过程中边界模糊的样本点,通过利用粒子群算法寻求每个样本种类中心点并计算样本距离均值建立分隔阈值■,对阈值范围内的样本点利用“投票法”判断样本种类,规避KNN算法在处理数据时因为不同种类样本混合而出现误差的问题。最后,通过利用美国卡特彼勒公司液压泵状态数据以及凌津滩水电站水导轴承振动数据进行仿真,算例证明上述两种改进算法在面对小样本不平衡设备数据时可以准确分析设备运行状态以及预测设备未来健康发展趋势。