时空因素影响下在线短时交通量预测

考虑交通流的时空因素进行短时交通流预测,能够提高预测的精度.为此,引入径向基核函数,将复杂的预测问题转化为高维空间的回归问题;然后,基于支持向量回归机并考虑时空因素影响作用建立在线的短时交通量预测模型,通过网格搜索的方法对模型参数进行优化;最后,构造时间-空间状态向量,通过不同的状态向量对时间和空间维度的影响进行了分析.利用高速公路检测器数据,对比不同模型的精度,对在线短时交通量预测模型的有效性和可行性进行了验证.结果表明：在线模型精度优于传统的支持向量回归模型,考虑时空因素影响后交通量预测模型具有更高的精度和稳定性.     

试论战略管理会计

从战略管理会计的定义和特点出发,对战略管理会计的主要内容及基本方法进行了阐述。     

滑坡变形的支持向量机非线性组合预测

在分析支持向量机(SVM)用于时间序列预测和非线性组合原理基础上,提出基于支持向量机的非线性组合预测方法。利用4种单项预测方法,包括SVM、径向基函数前向型神经网络(RBF)、反馈型神经网络(El-man)及3层神经网络(ANN),分别进行滑坡变形时序的建模与预测。对4种方法的预测结果再采用线性组合方法(简单平均、方差倒数、改进最优加权系数)和非线性组合方法(SVM、BP神经网络)进行组合预测及方法性能的比较。结果表明,非线性组合的平均相对误差明显低于线性组合方法,且对滑坡这种具有一定程度不确定性的非线性系统,SVM的非线性组合方法有着更理想的预测效果,7步外推预测准确度控制在89.3%以上。而与BP神经网络非线性组合相比,SVM也具有更好的稳健性和泛化性。     

基于SVM的粉煤灰混凝土抗氯离子渗透性预测方法

提出一种基于支持向量机(SVM)的粉煤灰混凝土氯离子渗透性新型智能预测模型,并给出了相应的步骤和算法。通过该模型分析了水胶比、水泥用量、用水量及粉煤灰掺入量4个因素对粉煤灰混凝土渗透性的影响。在此基础上,能利用有限的试验数据方便地由不同的配比对所浇注混凝土渗透性进行预测,有助于准确认识混凝土耐久性随配比参数的变化规律。通过具体实例及与BP预测方法效果对比表明,该模型构造速度高2~3个数量级,预测精度高5倍左右。因此该模型在混凝土性能预测和优化设计中具有广阔的应用前景。     

结构动态响应计算中模态迭加法的简化解

在子结构的固定界面最低频率比整体结构基频较高的条件下,把结构动态特性计算的模态综合超单元法以其简化解拓广至结构动态响应的计算领域,并用固定界面 Ritz 矢量替代子结构的固定界面模态。通过数值运算,充分说明本方法经济有效,精度令人满意.     

鉴别道路交通事故多发点的模糊评价法

道路交通事故多发点的鉴别是改善道路交通安全状况最关键、最重要的一步,当被鉴别路段或交叉口的道路条件、交通条件相差较大时,采用原有的鉴别方法就难以保证鉴别精度,而又鉴于交通安全概念的模糊性、评价者思维方式的多样性以及评价结果常以口语化词汇表达的特点,提出了鉴别道路交通事故多发点的模糊评价方法。经过分析比较,模糊评价方法采用的指标是亿车公里死亡率、万车死亡率、万车当量总事故次数及事故严重性指数。在此基础上,建立了二层模糊数学评价模型,以哈尔滨市区内部分道路路段及交叉口的交通事故多发点作为应用示例进行了道路交通事故多发点鉴别。     

采用微机进行磁通轨迹控制的GTO逆变器的研究

研制了采用磁通轨迹控制方法,用单片机生成控制信号的电压型GTO交流传动系统。该系统采用的是INTEL公司的准十六位单片机8098,开发装置由AST286微机和MCS-96BH串行通讯板组成。在对磁通轨迹的控制中,充分发挥8098的乘除运算功能,对电压矢量的时间进行计算,控制信号由高速输出口HSO输出,经光电隔离放大,驱动主电路的六支GTO,带动电机工作。磁通轨迹控制法以控制磁通轨迹近似为圆形为目的,尤其在低频时,轨迹更近似为圆,噪声小,无低频转矩脉动现象,具有恒磁通调速特性。同时,算法较直观。另外,系统中设有过电压、过电流软件保护。实际运行表明,系统可以平滑调速,稳定运行。     

吕四港电厂在长江三角洲北翼港口群建设中的战略意义

阐述了加速建设长江三角洲北翼港口群的必要性。通过南黄海辐射状沙洲区小庙洪水道建港条件的分析,提出吕四大港的规划设想,论述了吕四港电厂建设对吕四大港开发以及启动长江三角洲北翼港口群建设的战略意义。     

多模式电压空间矢量脉宽调制的理论分析及微机实现

详细分析了各种电压空间矢量脉宽调制方法的矢量拟合方式和特点，优选了几种调制模式以满足变频控制的要求，采用８０９８单片机系统，灵活，方便地完成了整个调频范围内的脉宽调制。逆变器驱动１９０ｋＷ异步电机的空载试验证明，调制结果比较理想，调制模式转换时过渡平滑。     

支持向量机在路段行程时间预测中的应用研究

主要探讨支持向量机理论在路段行程时间预测中的应用。具体的方法是,首先将研究路段根据路段交通状态和车辆检测器设置情况进行分段,然后以前几个时段的各个小路段的交通流量、平均速度和车道占有率和整个路段的行程时间为输入,以下一时段的整个路段的行程时间为输出,选取高斯径向基函数作为核函数,建立了基于支持向量机的路段行程时间预测模型,从而探讨支持向量机在路段行程时间预测中的应用效果。最后,利用交通仿真软件的模拟数据进行验证,并与BP神经网络计算结果比较,计算结果的对比表明本文提出的方法预测效果更好。