动力学模态分解方法重构及预测流场误差分析

利用动力学模态分解(dynamic mode decomposition,DMD)方法可以实现非定常流场的分解、重构和预测,但该方法重构和预测流场的误差需要给出定量分析.鉴于此,提出了定量描述动力学模态分解重构和预测流场的误差分析方法,以雷诺数Re=80的圆柱绕流二维流场数值模拟结果为例,研究了非线性流动和周期性流场重构和预测误差的动态变化情况.结果表明:依据能量大小确定的模态反映了流场的主要相干结构;低频、低增长/衰减率和大尺度的相干结构能量占比大,对流场的影响较大;DMD方法可以准确重构非线性和周期性变化流场,重构的误差小于10-10,预测流场的误差较重构流场出现跳跃增大现象;DMD方法预测非线性变化流场的误差在样本时间区间内较小(小于10-3),超出样本区间误差的发展急剧增大,变化情况依赖于数据样本;预测周期性流场的误差稳定在10-4左右.     

共享自动驾驶汽车使用意愿模型及其影响因素

为了构建共享自动驾驶汽车(shared autonomous vehicles，SAV) 的使用意愿模型并分析其影响因素，通过使用时机和使用频率来体现公众对SAV的使用意愿；采用验证性因子分析将态度潜变量转化为潜变量得分，以此将态度潜变量引入传统的有序Logit模型；提出SAV使用意愿的有序Logit模型构建方法，并建立基于个人属性、通勤特征、态度潜变量的SAV使用意愿模型.研究发现:是否使用过滴滴拼车、工作单位停车费、自动驾驶态度对使用时机和3种价格(1，2，3元/km) 下的使用频率有显著影响；使用过滴滴拼车、工作单位收取停车费、支持自动驾驶的群体倾向于频繁地、更早地使用SAV出行；公众期望以1元/km或 2元/km即不超过目前滴滴拼车的价格使用SAV.     

运用图像重构误差控制的骨架简化方法

将贝叶斯模型方法运用于基于图像重构误差控制下的骨架简化问题,通过建立平衡算法实现重构精度与骨架简化的平衡统一.在算法的设计中,通过对骨架分支级别的设置,运用重构误差和骨架简洁度两个控制参数以及平衡算法,在骨架主轴的基础上通过添加相关各级别的骨架分支,实现对骨架分支的优选,最终获得图像的最优近似骨架.实验结果表明:本算法对于边界扰动具有较好的鲁棒性,与其它方法相比,本算法复杂度较低,运算速度更快,得到的骨架也更简洁.     

带变量核的分数次积分交换子在变指数Herz-Morrey空间上的有界性

证明了带变量核的分数次积分算子T_(Ω,μ)与Lipschitz函数b生成的高阶交换子[b~m,T_(Ω,μ)]在变指数Herz-Morrey空间MK_(q,p)~(α,λ)(·)(R~n)上的有界性.     

PIC系列单片机片内定时器实时时钟的实现

针对直接用单片机片内定时器作实时计时不准问题，本文提出了一种可以获取与秒成整数倍关系的定时器溢出信号的方法，同时克服定量溢出中信号被其它中断暂停所受的计时影响，实验表明，在4MHz晶振下，计时误差可控制在每天14s以下，本方法也适用于一般的单片机，在PIC87系列上的实验结果表明效果很好。     

磨削高精度螺旋插齿刀的通用数学模型研究

给出用指形砂轮磨制螺旋插齿刀的通用CAD/CAM数学模型 ,并结合具体算例验证了方法及模型的可靠性     

通道不一致性、互耦对最优阵列处理器的影响

本文研究了通道幅相不一致性、互耦这两种误差对最优阵列处理器性能的影响。理论分析结果表明,对于只利用干扰加噪声协方差矩阵求逆的自适应方法(简称NAMI法),当干噪比(JNR)较大时,这两种误差不会导致零点位置的漂移,但零点深度有所变化;对于信号加干扰和噪声协方差矩阵求逆自适应方法(简称SPNMI法),当信噪此(SNR)较小或较大时,零点位置变化不大,但性能损失比NAMI法严重得多。如果能加以补偿,则SPNMI法与NAMI法有相同的结果。我们用矩量法计算得到的互耦矩阵对此进行了仿真模拟,实验结果证明了理论分析的正确性。