海上装配式混凝土石油平台设计

以渤海湾某油田为例,针对海油陆采一体化技术所需平台的功能要求,基于我国水运工程规范体系及现状技术水平,提出一种适用于油田开采的新型装配式混凝土平台结构方案,并对平台的结构设计理念、规范适应性研究、设计方案、施工船机配置、平台弃置等进行研究,可为类似海上大型平台结构提供借鉴。     

基于小波和仿射不变矩特征融合的舰船型号识别

针对不变矩对仿射形变目标描述的不足,为提高舰船型号的识别精度,提出一种基于小波和仿射不变矩特征融合的舰船型号识别方法.首先对二值舰船图像进行归一化处理,并分别提取归一化舰船图像的小波矩特征值和仿射不变矩特征值;然后通过计算样本特征均值与标准差的比值,选择出鲁棒性好、稳定性高的特征,通过归一化方法进行融合;最后构造五类舰船的样本集,采用支持向量机(SVM)作为分类器识别测试样本的型号,分析不同矩特征、样本集大小、SVM参数、本文方法对识别精度、稳定性的影响.实验结果表明,文中给出的算法提高了识别精度,并且在训练样本集较小时仍能获得88%以上的识别率.     

整体推进式桩基码头结构设计与施工

针对在拉美和非洲地区部分码头建设中,存在大型船机设备缺乏和长周期波较为明显、常规打桩船作业和预制构件安装困难的问题,基于一般桩基码头结构,在设计和施工两个方面进行优化,采用桩顶施工行走平台方法施工,利用桩基自身作为支撑结构,大量采用叠合式上部结构,实现将海上施工转化为陆上施工的创新,形成整体推进式桩基码头结构,规避大型船机设备缺乏和长周期波较为明显的问题,具有良好的经济性和对强震区的适应性。     

回汽技术在船舶换向中的应用研究

船舶蒸汽动力装置中设置的倒车汽轮机,一般情况下只在船舶倒车工况时工作.为了克服船舶换向过程中锅炉超压的问题,应充分利用倒车汽轮机和回汽控制技术.本文以大型船舶蒸汽动力装置为研究对象,通过机理分析建立其数学模型,提出一种具有回汽控制的机炉协调控制方案,并对换向过程进行动态仿真.仿真结果表明使用回汽控制的机炉协调控制方式的主蒸汽压力偏差相对于不使用回汽控制的协调控制方式减小了1%,主蒸汽压力更稳定.可以得到结论,使用具有回汽控制的机炉协调控制方式可以解决换向过程中锅炉超压的问题.     

混沌海杂波背景下的基于对偶约束最小二乘支持向量机的信号检测技术

海杂波对雷达信号检测造成极大的干扰,如何从海杂波噪声中提取出目标信号是信号处理领域的难题。针对这一难题,本文以混沌理论为理论依据,分析海杂波的动力学特性,对海杂波进行相空间重构。结合对偶约束最小二乘支持向量机理论,建立信号检测模型,对混沌海杂波背景下的信号进行预测,并从预测误差中提取出目标信号。     

城市轨道交通ATS系统外部接口日志分析

青岛地铁11号线采用的是国内自主研发的自动列车监控系统(ATS),ATS系统作为一个综合信息监控系统的实现平台,以通信前置机作为通信枢纽,与时钟系统、乘客信息系统、广播系统、综合监控系统、无线系统等实现接口.现结合现场实际运行数据,采用UltraEdit文本编辑工具对通信前置机的日志进行检索、分析,通过系统后台的日志分...     

基于支持向量机的发动机气路故障预诊断

为实现航空发动机气路故障在线预诊断,分析了地空数据链系统中发动机气路参数报文的协议格式,建立了基于支持向量机算法的发动机气路参数在线预测模型。以便携式地空数据链收发系统为硬件基础,构建发动机报文并行处理系统,获取建模所需的训练样本。利用最终误差预报准则确定样本数据嵌入维数,实现时序样本数据的相空间重构。提出自适应网格搜索法优化支持向量机建模参数,获得气路参数在线预测模型,与航路飞机建立地空数据链通信,预测气路参数趋势。预测结果表明:参数低压转子转速、高压转子转速、尾气温度与燃油流量的相对预测误差分别为2.5%、2.1%、1.9%与2.3%,因此,支持向量机模型具有较高预测精度。     

支持向量机增量学习算法研究

给出了使用多支持向量机进行增量学习的算法．传统的支持向量机不具有增量学习性能，而常用的增量学习方法各具有不同的优缺点，基于固定划分和过间隔技术，提出了使用多支持向量机进行增量学习的算法；使用此算法，针对标准数据集BUPA及用NDC生成的数据集OUTTRAIN进行了实验，结果表明，使用单一的支持向量机进行增量学习，不论采用过间隔还是固定划分技术，其增量学习的正确率不及使用多支持向量机增量学习算法的正确率。     

支持向量机对交通流量的预测模型

针对目前交通量预测中所广泛采用的基于经验风险最小化的BP网络易于陷入局部最优解等缺点,介绍了一种新的预测方法——基于结构风险最小化的SVMR交通量预测模型,经实践证明能够较好地解决道路交通量预测问题。     

基于Adaptive Lasso与RF的航班运行风险预测改进研究

为了解决航班运行风险高维数组运算过于复杂的问题,同时为防止模型过度拟合影响预测精度,基于中国民航局发布的风险评估体系,以某航450组真实航班数据为标准样本,首先使用自适应套索算法（Adaptive Lasso）进行降维,从63项风险自变量中筛选出15项独立变量;然后,使用随机森林算法(Random Forest,RF)进行防过拟合处理,结果显示当使用重要度排序前12项变量拟合时,结果误差达到最小值,即得到最终预测指标;最后,构建Adaptive Lasso和RF的二阶段混合模型,同时选取主成分分析(Principal Component Analysis,PCA)、径向基函数(Radial Basis Function,RBF)网络、支持向量机(Support Vector Machine,SVM)3种对比方法,使用十折交叉验证精度.结果表明：Adaptive Lasso方法在筛选掉48项指标后,结果精度未见下降;经RF处理后4种方法评估精度均大于未处理前;Adaptive Lasso-RF混合模型的预测准确率和稳定性均优于PCA、RBF神经网络和SVM等方法.综上说明混合模型实现了有效降维和防过拟合,可大幅提升预测精度,用于解决航班风险预测问题可行并有效.