ND型内燃机车散热器喷雾冷却试验研究

本文叙述了 ND 型内燃机车水散热器喷雾冷却试验结果.试验中研究了散热器喷雾冷却的传热效果,以及肋片上所生水锈对散热器传热系数和气流阻力的影响.得出了散热器散热能力和传热系数与喷水量的关系和风洞入口温度对散热器传热系数的影响.试验表明:在每单节散热器喷水量为5—30公斤/小时时,散热器散热能力提高约(20—70)%.通过约150小时喷雾试验后,散热器干空气传热系数无显著降低,而气流阻力提高约10%.     

基于列车运行安全的青藏铁路大风预测优化模型与算法

为减轻青藏铁路恶劣大风天气对列车行车安全的影响、对沿线风速进行准确地预测预报,运用时间序列法对格尔木-拉萨段16号测风站实测风速建立时序预测模型,并进行多步预测仿真计算.为提高时序预测模型精度,通过改进时间序列法建模流程,引进卡尔曼滤波智能算法,提出了2种适合于不同预测步长和精度的优化算法.预测实例表明:优化算法将时序模型的超前1步预测平均相对误差从4.89%降低为2.51%,超前5步预测平均相对误差从9.77%降低为5.62%,并明显改善了时序模型的预测延时现象.     

汽车管芯式散热器的热力特性

对管芯式散热器试件进行传热与阻力试验研究,得出在一定雷诺数范围内管芯式散热器试件的空气侧对流换热系数和阻力系数的准则关系式,理论计算值与试验值的最大相对误差为6.61%.并分析得出水管排数对散热器试件换热性能和空气阻力的影响关系.     

汽车管芯式散热器的热力特性

对管芯式散热器试件进行传热与阻力试验研究,得出在一定雷诺数范围内管芯式散热器试件的空气侧对流换热系数和阻力系数的准则关系式,理论计算值与试验值的最大相对误差为6.61%.并分析得出水管排数对散热器试件换热性能和空气阻力的影响关系.     

西江航道船舶流的概率分布特性

为了提高内河航道通过能力,分析了船舶交通流的到船分布和船头间距分布特性。以西江航道2004年日到船统计量为样本,运用数理统计方法,给出了日到船分布与船头间距分布的假设检验,运用时间保证率方法将实测数据点与概率分布的理论值进行了比较。比较结果表明其相对误差均在5%以内,说明内河航道日到船艘数服从正态分布,日船头间距近似为爱尔朗分布。     

船舶阻力计算BP神经网络的研究

建立了基于系列60船模原始实验数据的船舶阻力计算3层BP神经网络系统,利用随机选取的检验样本和插值样本作为输入向量,应用输出与目标的线性回归、相关系数和相对误差,以及利用该神经网络绘制的曲线,验证了该神经网络的可靠性．在该神经网络的建立过程中,对训练函数、性能函数、传递函数、隐层神经元数和神经网络绘制的性能曲线进行了实验,并通过数据预处理方式,确定了最佳的船舶阻力计算3层BP神经网络系统．     

采用GRNN模型进行交通量预测及实现研究

根据交通量形成的原因,分析了交通量和相关影响因素之间的关系以及交通量预测的特点,建立了交通量预测的广义回归神经网络(GRNN)模型。以某一公路交通吸引区1985~1995年的交通量和相关经济指标的历史统计数据作为学习样本,通过拟合训练和外推预测分析,验证了GRNN用于交通量预测的有效性。     

基于CFD的多用途船纵倾优化

船舶阻力性能优化中,通过调整船舶纵倾值进行装载优化的方法成果显著且易于实施。选取30000DWT多用途船为研究对象,基于计算流体动力学(CFD)软件(STAR-CCM+)对目标船的静水阻力进行预报,数值计算结果与船模试验数据进行对比分析,验证网格划分、数值计算相关设置的准确性。在此基础上对船舶纵倾优化进行研究,计算不同纵倾角、不同航速下的船舶阻力,得到相对于设计吃水下的阻力变化曲线及减阻效果。结果表明在设计载重量和航速下运营,其最佳纵倾角度为尾倾0.55°左右,减小船舶总阻力约1.5%。     

基于多模型融合的电动汽车行驶里程预测

纯电动汽车行驶里程预测是驾驶者最关心的问题之一，为解决现有预测算法模型精度低、相对误差大的问题，本文采用融合片段回归与单点分类的机器学习方法对行驶里程进行预测.以真实车辆各项状态参数、环境信息等作为输入，通过聚类和过滤封装式特征筛选，提取最优特征集合，并基于行驶片段样本量选择预测方法，通过对环境温度和电池健康状态(SOH)进行分层耦合提高片段回归预测精度，通过单点分类和片段回归预测模型融合优化最终预测结果.行驶里程测试集预测结果中均方根相对误差(RMSRE)为0.035，平均相对误差为1.71%，能够精确稳定地实现行驶里程预测.     

基于多模型融合的电动汽车行驶里程预测

纯电动汽车行驶里程预测是驾驶者最关心的问题之一，为解决现有预测算法模型精度低、相对误差大的问题，本文采用融合片段回归与单点分类的机器学习方法对行驶里程进行预测.以真实车辆各项状态参数、环境信息等作为输入，通过聚类和过滤封装式特征筛选，提取最优特征集合，并基于行驶片段样本量选择预测方法，通过对环境温度和电池健康状态(SOH)进行分层耦合提高片段回归预测精度，通过单点分类和片段回归预测模型融合优化最终预测结果.行驶里程测试集预测结果中均方根相对误差(RMSRE)为0.035，平均相对误差为1.71%，能够精确稳定地实现行驶里程预测.     

基于维度规约的快速路全时段排放模型适应性研究

针对城市快速路汽车污染物排放控制需要，紧扣不同排放模型在映射不同时段排放影响因素与排放率关系方面的差异，以排放测试车辆实际工况排放序列为数据源，分别将反向传播神经网络(Back Propagation Neural Network, BPNN)、广义回归神经网络(General Regression Neural Network, GRNN)和径向基函数神经网络(Radial Basis Function, RBFNN)与平均影响值(Mean Impact Value, MIV)方法相结合，构建维度规约模型。以95%累计贡献率为阈值对排放预测模型输入维度进行降维的基础上，分析神经网络在维度规约前后在不同时段的预测污染物排放率适应性。结果表明：维度规约后BPNN和GRNN模型的R2及MSE在全时段排放数据集中的预测性能提升1.19%、10.14%、6.51%、15.56%,RBF模型对维度规约不敏感；全时段GRNN模型的R2和其余两个模型相比提高10.18%和7.68%,MSE和其余两个模型相比降低0.0396和0.0446，同时MAPE显著降低7.38%和3.86%，揭示GRNN模型在...     

灰色模型GM(1,1)在出生缺陷预测中的应用研究

目的探讨灰色模型GM(1,1)在预测不同水平出生缺陷发生率中的应用问题及数据波动性对预测效果的影响。方法利用2009年10月至2016年9月西安市出生缺陷监测数据,构建总出生缺陷及前5种缺陷的月、季度、年共3个层次出生缺陷发生率的GM(1,1)灰色模型,比较不同层次预测模型的拟合精度。结果总出生缺陷年度预测时,平均相对误差为4.6%,均方差比为0.259,提示其预测效果较好;按季度预测时效果勉强合格,平均相对误差为10.2%;按月进行预测时,效果较差,平均相对误差为17.5%。西安市前5种出生缺陷(先天性心脏病、唇腭裂、神经管畸形、多指、先天性脑积水)灰色模型预测结果都随着预测时间单位的变大,拟合精度逐渐提高,年预测模型拟合精度最好。结论灰色模型的预测效果可能与数据波动性有关,对出生缺陷发生率进行预测时以年度为单位的结果可能较适宜。     

基于灰色关联分析和SOM-RBF神经网络的高速公路交通量预测方法研究

本文选取两段高速公路交通量相关数据作为样本,基于聚类算法改进RBF神经网络对交通量进行预测,考虑影响因素的复杂多样,其中对云南元磨高速普洱段数据建立灰色关联分析,得到选取的特征影响因素的关联度大小,其中普洱市总人口数关联度最小为0.5532。随后引入自组织特征映射神经网络(SOM)构建聚类模型。采用先聚类分析、再分别预测的思路,解决了由于RBF神经网络对于少量样本和训练样本点分散所引起的预测精度降低的问题,改进的神经网络泛化能力有所提高,结果表明:SOM-RBF组合算法对元磨高速交通量进行预测,其相对误差维持在6%以下,平均相对误差为3.81%,预测效果较BP神经网络和RBF神经网络有较大的提升。通过两段高速公路的实例分析,验证了SOM-RBF组合算法有良好的预测效果和适用性,可有效的用于交通量预测,具有较高的实用价值。     

�����������SARIMA���ģ�͵Ķ��ڽ�ͨ��Ԥ��

为了更精确地预测短期交通流,提出由季节自回归求和移动平均模型(SARIMA)和广义回归神经网络(GRNN)模型所构成的组合模型(SARIMA-GRNN模型),该模型结合了时间序列模型和神经网络模型进行时间序列预测的优点。构造该组合模型的两个组成模型,即SARIMA模型和GRNN模型,也被用于预测研究以便于验证该组合模型在预测上的优势。实证研究结果表明,组合模型的预测精度高于SARIMA模型,但是却并不必然高于GRNN模型。然而,合理选择组合模型中神经网络部分的输入变量以及输出变量将显著地改善模型的预测精度,本文所构造的这个组合模型不仅具有很好的预测表现而且结构简单,非常适合城市道路短期交通流的实时预测。     

���ڻ���ʱ�����з������Ķ�ʱ��ͨ��Ԥ���о�

交通流预测分析已成为智能交通的核心研究内容之一。依据混沌时间序列分析方法,建立了短时交通流的预测模型。在对实测的交通流数据进行相空间重构的基础上,综合考虑欧氏距离和均等系数,提出了最邻近点的两步优化选择方法,并采用了局部多项式拟合方法对所选取的最邻近点进行逼近以求得预测公式。本文将此方法运用于东莞东江大道流量预测,比较预测流量和实测流量,得出最大相对误差为0.445％,最小相对误差为0.038％,且单步预测时间仅为38.52秒。结果表明,该预测模型具有较高的精度,同时也能够满足实时性的要求。     

基于灰色-广义回归神经网络模型的城市群交通运输能力预测

城市群交通运输能力是构建国家综合立体交通网的战略基石。鉴于传统预测方法难以适应城市群交通运输能力影响因素众多且存在时变、耦合、不确定性强等特征,提出了一种灰色-广义回归神经网络的复合模型,以预测未来城市群交通运输能力。首先,选用LASSO算法筛选主要影响变量来降低数据复杂度,运用GM(1,1)模型弱化数据序列的随机性,预测影响变量时间序列的变化趋势,并填补数据缺失。然后,以2000—2019年京津冀城市群的数据集训练GRNN模型,根据GM(1,1)模型预测出的2020—2025年城市群交通运输能力影响因素,得出未来年份交通运输能力动态趋势。结果表明,复合预测模型精度优于传统方法,有效减少了小样本预测的不确定性。最后,结合预测结果分析了京津冀城市群核心区位城市的发展方向,为助力构建以城市群为重要抓手的新发展格局进行了前瞻性探讨。     

基于GM模型和马尔科夫模型的公路客运量预测

以1992年至2005年兰州市公路客运量的实际值为基础,通过灰色模型对客运量的预测,得到了1992和2005年的公路客运量的预测值,结合实际客运量计算出其预测结果的相对误差。再对相对误差进行划分状态区间,运用马尔科夫模型得出2006年至2015年预测值的相对误差所处状态。从而得到经马尔科夫模型修正后的修正值,进而得到较高精度的客运量预测值。     

分形理论用于航空货运量的预测

航空货运量的预测一直是航空公司关注的问题。采用基于分形理论的研究方法,从非线性的角度,利用变维分形模型进行预测。从取得的历史数据中发现其内在规律,避免因对影响因素估计不准确而影响预测结果。研究得出：最大相对误差为一7．64％,平均相对误差为8．903％,在误差允许的范围内,预测结果令人满意。该预测方法和思想为货运量的预测提出一种新的方法。     

基于马尔科夫链的恶劣天气船舶行为预测

准确预测恶劣天气时船舶行为是港口水域应急调度和高效安全管理的关键,提出一种基于马尔科夫链的恶劣天气船舶行为预测模型.根据分析船舶行为实际变化规律,得出船舶行为是由船舶在不同空间进行状态转移而形成,然后结合船舶行为分布数据采用经验风险最小化策略求解状态转移矩阵,最后通过初始状态分布和状态转移矩阵预测恶劣天气时船舶行为.实例验证和分析结果表明该预测模型能科学准确地预测恶劣天气时船舶行为,可为港口应急调度与高效管理提供有效参考.     

�������Ԥ��ģ�͵Ķ�ʱ��ͨ��Ԥ��

在现代智能交通系统中,短时交通流预测是实现先进的交通控制和交通诱导的关键技术之一.为了提高短时交通流预测的准确性,本文提出了一种基于组合预测模型的短时交通流预测方法.一方面,根据当前的交通流数据来动态调整其对未来预测的影响;另一方面,通过对历史交通流数据的时空特性分析,利用数据挖掘领域的相关知识寻求与当前交通流特性最为相似的历史曲线,并以其为基础来获得预测值的匹配值;然后,将二者获得的信息进行融合,采用多种不同的组合方式来实现短时交通流预测.以厦门市莲花路口断面的交通流量为例,通过对仿真图像和数据的分析,得出各种组合方法的预测平均绝对相对误差均小于10%,能够较好地满足交通诱导系统的需求.