新型零航速矢量减摇系统研究

针对海洋科研平台、科考船等减摇系统的快速响应性工作需求,在螺旋桨推进器基础上开发了一种零航速矢量减摇系统。本文介绍系统机构设计及其工作原理,结合耐波性计算分析获取船舶横摇规律,采用滑台搭载重物往复移动方式,模拟船舶规则横摇以获得规则波实验条件,并通过船模实验验证该减摇装置作用下的船舶横摇减摇效果。零航速规则波模拟实验研究表明,该减摇装置具有可控性强、易改装的特点,能够大幅提高船舶的耐波性,为后续工程试验船舶上安装该减摇系统奠定理论与实验基础。     

基于支持向量机的可靠性增长费用建模与分析

支持向量机是一种采用结构风险最小化原则代替传统经验风险最小化原则的新型统计学习方法，具有完备的理论基础。首先应用支持向量机原理建立了基于支持向量机的多参数武器装备可靠性增长费用预测模型，然后对我军某型现役装备使用阶段可靠性增长费用数据进行了预测与分析。结果表明，与一般的回归分析相比，基于支持向量机的回归模型具有很好的预测精度。     

一种电流型PWM逆变器的电荷轨迹控制法

采用空间向量原理，从空间电荷向量端点轨迹逼近于国出发，推导出ＰＷＭ脉冲模式的算法，同时采用８０９７微处理器实现这种脉冲模式和对逆变器进行控制。由实验波形看出，在较低频时逆变器的输出电流为三相对称的近似的正弦波电流，消除了低频时有害的寄生脉动转矩。     

抑制共模干扰的矢量控制技术研究

通过分析三相四桥臂逆变器工作原理及工作模式,推导出三相四桥臂逆变器共模电压的计算公式,由此提出一种运用于三相四桥臂逆变器的改进型SVPWM调制技术。针对新的调制技术,运用Matlab/Simulink进行建模仿真。仿真结果表明,采用三相四桥臂逆变器改进型SVPWM控制技术在不改变直流电压利用率和输出电流谐波含量的情况下,能有效地抑制变流器共模干扰。     

基于神经网络的地铁牵引整流器控制算法研究

提出了一种利用神经网络对传统的PID控制器进行改造并应用于PWM单位功率因数整流器的控制方法,选择SVPWM控制方法对三相电压型PWM整流器进行控制,电压环采用基于神经网络自适应调整参数的复合型单神经元PI控制器。仿真结果表明,该PI控制器可以在线调整PI参数,快速跟踪整流器的变化,能有效地改善由于系统结构和参数变化而导致的控制效果不稳定的状况,适用于地铁需要频繁的起动、停车的条件。     

Apoptin原核表达载体的构建及在大肠杆菌中的表达

目的构建Apoptin的原核表达载体,并制备抗原物质Apoptin融合蛋白。方法在获得Apoptin融合基因的基础上,成功构建了Apoptin的高效原核表达载体pET-28a( )-Apoptin,将该质粒转化至大肠杆菌E.coliBL21(DE3)受体菌中,以IPTG对其进行诱导表达,聚丙烯酰胺凝胶电泳分析目的蛋白。结果转化有Apoptin的原核表达载体pET-28a( )-Apoptin的大肠杆菌E.coliBL21(DE3)经IPTG诱导后,经SDS-PAGE分析,在相对分子质量约17 000的位置出现目的蛋白条带,大小与Apoptin融合蛋白一致。结论Apoptin原核表达载体pET-28a( )-Apoptin能够表达出Apoptin融合蛋白,为进一步的Apoptin研究和制备Apoptin抗体奠定了基础。     

NT4-Ant-Shepherdin[79-87]融合基因重组载体的构建

目的设计构建携带NT4-Ant-Shepherdin[79-87]的cDNA融合基因的重组载体,为针对Survivin的靶向治疗奠定基础。方法应用非对称引物/模板法、PCR技术制备NT4-Ant-Shepherdin[79-87]cDNA片断,连接于pGEM-T-Easy载体,经克隆测序、酶切后与PBV220/NT4质粒连接;转化感受态细胞E.coliDH5α,亚克隆获得NT4-Ant-Shepherdin[79-87]融合基因。结果克隆出Ant-Shepherdin[79-87]基因,经酶切及测序证实结果正确;连接PBV220/NT4,经克隆、酶切,琼脂糖凝胶电泳证实获得321bp的NT4-Ant-Shepherdin[79-87]目的基因片断。结论通过分子生物学技术成功构建了携带NT4-Ant-Shepherdin[79-87]融合基因的重组载体,为进一步研究针对Survivin的靶向抗肿瘤作用奠定了基础。     

基于支持向量机回归树的内燃机振动信号趋势预测

针对标准回归树建立在统计分析基础上所存在的缺陷,提出一种基于支持向量机的回归树预测模型。首先,根据原始振动信号趋势序列构建回归树;然后,针对回归树上包含样本数过少的节点,利用支持向量机,建立能够反映重要变量与响应变量之间映射关系的回归模型。仿真结果表明:即便由于设备出现异常,导致振动信号趋势序列出现非平稳、突变情况,该方法也能准确地预测,性能优于标准分析方法,具有一定的工程实用性。     

基于EMD的矢量水声器方位估计算法

对经验模态分解算法(EMD算法)进行深入研究,对其基本原理、基本性质以及存在的问题进行分析。为改善EMD算法在方位估计的精度,减少高频噪声、间断干扰的影响,本文采用Hilbert-Huang变换方法来消除模态混叠现象。实验结果表明,本文提出的基于EMD的矢量水声器方位估计算法,能够有效提高方位估计的精度。     

Short-term forecasting of high-speed rail demand: A hybrid approach combining ensemble empirical mode decomposition and gray support vector machine with real-world applications in China

Short-term forecasting of high-speed rail (HSR) passenger flow provides daily ridership estimates that account for day-to-day demand variations in the near future (e.g., next week, next month). It is one of the most critical tasks in high-speed passenger rail planning, operational decision-making and dynamic operation adjustment. An accurate short-term HSR demand prediction provides a basis for effective rail revenue management. In this paper, a hybrid short-term demand forecasting approach is developed by combining the ensemble empirical mode decomposition (EEMD) and grey support vector machine (GSVM) models. There are three steps in this hybrid forecasting approach: (i) decompose short-term passenger flow data with noises into a number of intrinsic mode functions (IMFs) and a trend term; (ii) predict each IMF using GSVM calibrated by the particle swarm optimization (PSO); (iii) reconstruct the refined IMF components to produce the final predicted daily HSR passenger flow, where the PSO is also applied to achieve the optimal refactoring combination. This innovative hybrid approach is demonstrated with three typical origin–destination pairs along the Wuhan-Guangzhou HSR in China. Mean absolute percentage errors of the EEMD-GSVM predictions using testing sets are 6.7%, 5.1% and 6.5%, respectively, which are much lower than those of two existing forecasting approaches (support vector machine and autoregressive integrated moving average). Application results indicate that the proposed hybrid forecasting approach performs well in terms of prediction accuracy and is especially suitable for short-term HSR passenger flow forecasting.