步入式高低温湿热试验箱技术要求的确定及论证

概述了步入式高低温湿热试验箱的主要技术指标、功能;分析了受试产品工程试验需求;叙述了技术指标及功能的论证确定过程和验收实测结果。供试验同行作技改项目的策划、选型、确定技术指标时参考。为确保试验箱的质量和可靠性,用户采取关键部件定牌和设置设计、验收控制节点的措施是十分有效的。     

BP神经网络改进算法预测水质浓度的应用

探讨了黄河兰州段地表水水质浓度预测的BP神经网络法，建立了一种动态的、及时的、超前的BP神经网络预测模型。并在标准算法的基础上用2种改进算法同时进行比较。结果表明，改进的BP算法在水质浓度预测中更能胜任，时间短、准确度高。     

Qi系统的自适应混沌控制研究

研究了四维混沌Qi系统的混沌控制策略。利用Routh-Hurwitz稳定性理论分析了Qi系统第二类非零平衡点的稳定性,绘制了系统的局部分岔图,同时给出了系统处于不同运动状态的时间历程图及相图。设计基于系统变量为观测量的自适应控制器,并采用Lyapunov稳定性理论证明受控系统具有全局稳定性。数值计算结果表明,当系统参数受到的扰动量不相同时,施加控制后系统都能很快收敛到其平衡点,从而证明了文中所设计的控制器具有较快的收敛速度。     

改进的IDW插值模型在海水水质评价中的应用

根据海水污染物分布扩散规律和采样点之间的关系,给出了一种自适应凸包选点的IDW(inverse distance weight)插值方法。该方法为一种局部的IDW插值方法,为插值结点加入了空间位置的概念,克服了传统IDW方法只和插值结点的距离有关而和其空间位置无关的弱点。通过与传统IDW在2011年的渤海无机氮评价结果的对比,说明该方法能够很好的反映海水污染物空间分布状况。     

自适应滤波法在洪水预测中的应用

尝试用时间序列分析中的自适应滤波法对江河灾害性洪水进行预测，认为加权因子个数和自适应常数的确定是关键。以荆江沙市站１９５０～１９９５年的年最高水位资料为研究对象，借助计算机编程与计算，确定了最优加权因子个数和自适应常数，建立了适合于该站未来年最高水位的预测模型。预测结果与误差分析表明，自适应滤波法用于江河洪水预测是可行的。     

FTF算法应用于扩频信号中BPSK型干扰抑制的探讨

介绍遵循ＬＳ准则的快速横向滤波（ＦＴＦ）算法应用于扩频信号中有附加随机相位ＢＰＳＫ型干扰抑制。模拟结果表明，ＦＴＦ算法比遵循ＬＭＳ准则的可变步长ＬＭＳ（ＶＳＳ）算法有显著的优势。文中给出了模拟结果并进行了分析。     

无人驾驶汽车变速器换挡过程自适应控制方法研究

无人驾驶汽车在实际运行中面临许多无法预见的动态不确定因素,如道路状况、交通状况和天气状况。换挡自动控制过程难以应对这些动态不确定因素的影响,单环控、单控制阈值的模式会导致换挡过程的准确性、平稳性和快速性受到影响。提出了一种无人驾驶汽车变速器换挡过程自适应控制方法。设计一种变速器双同步换挡自适应控制方法,在该方法的逻辑结构中分为内外双环控制。内环称为速度环,外环称为转矩环,用于控制换挡过程变速器的传动比。在速度环中,将滤波后的电机转速作为输入与外环转矩环的控制输出进行比较。通过PI控制器计算实际转速与预期转速之间的偏差,并根据比例和积分系数来调整输出。在转矩环中,将滤波后的转矩数据作为输入与预期转矩进行比较。PI控制器根据差值进行控制,以调整变速器的传动比,实现双环同步控制。实验结果证明;采用所提出的方法可以显著提高控制效果。具体表现为决定系数的提高、换挡冲击度的减小以及换挡时间的缩短。     

一种水源地气温-水温-水质关系智能预警算法

设计了一种两阶段算法,引入水温作为中间桥梁,第一阶段利用多变异位自适应遗传算法解析气温与水温数学关系,第二阶段根据遗传算法改进的BP神经网络通过水温对水质进行预测,进而设计气温-水温-水质组成的水质预测算法GA-GABP,并将该算法应用于秦皇岛石河水库的水质监测模拟。结果表明,整个过程算法寻优速率快,网络学习时间短,其最终拟合、预测效果理想,能够对水质预警作出有效分析。     

XP产品在消防报警系统中的应用

广州雷迅自2002年研发出全球第一台19英寸标准机架式10/100M自适应网络防雷器以来,一直致力于解决困扰信息系统电涌保护器发展的问题,如信息系统规格繁多、外形繁多、安装方式繁多等等.广州雷迅研发人员综合了低压配电系统电涌保护器的发展历史,并深入调查了各种信息系统的电涌保护需求,详细分析了信息系统电涌保护器在各行业的应用,创新地推出了“XP随心系列”模块化信息系统电涌保护器,并申请了相应的国家专利.彻底或局部解决困扰信息系统电涌保护器的各种问题,为使用者的选型及安装提供真正的随心DIY,并将信息系统电涌保护器的研发思路推向全新的领域.     

一种自适应学习率的卷积神经网络模型及应用——以滨海湿地遥感分类为例

滨海湿地是重要的生态系统,开展滨海湿地类型分布监测,对滨海湿地的保护与利用具有重要意义。传统卷积神经网络（CNN）模型中的学习率为人工设置的固定值,本文提出一种自适应学习率的CNN模型,以代价函数为目标函数自动计算学习率的优化值,从而使CNN模型具有自适应性。应用黄河口滨海湿地的CHRIS高光谱遥感影像数据,开展本文提出的CNN模型分类方法验证与优化。实验结果表明:对于不同的学习率搜索区间,自适应学习率CNN模型在[0,1]区间的整体分类精度最高,说明在学习率优化过程中只需在小区间[0,1]内进行微调就能保证较好的分类精度;对于不同的学习率初值,自适应学习率CNN模型的分类精度和稳定性都高于传统CNN模型,说明本文提出的模型对初值敏感性较低;在训练样本数目减少的情况下,两模型分类精度的稳定性都有不同程度的降低,但在保证训练样本占全部样本1.35%以上的条件下,自适应学习率CNN模型稳定性高,说明本文提出的模型对小样本具有一定的适应能力。