基于显微镜图像分析的振动作用下混凝土孔结构研究

为探究振动对混凝土凝结过程中孔结构变化的影响,采用室内模拟车桥振动,通过设置两种不同振动试验参数(9 Hz,8 mm及5 Hz,4 mm),研究在混凝土不同凝结时间段振动对混凝土力学性能的影响程度,并利用显微镜图像分析技术对振动后混凝土孔结构的变化进行分析。研究表明:在混凝土初凝前施加较小频率和振幅(5 Hz,4 mm)的振动,能在一定程度减少孔面积比例与孔数,对混凝土后期强度有所提高;而较大振动频率和振幅(9 Hz,8mm)作用对混凝土结构有所影响,特别是初凝至终凝期间,较大振动作用会对混凝土结构产生破坏,产生一定裂隙,孔数有所增加,导致强度降低;混凝土强度与孔数和孔面积比例之间有较好的相关性,可通过孔数与孔面积比例反映混凝土强度。     

基于时间序列神经网络的气象预测研究

月平均气温是气象的主要特性参数，也是影响气候变化的重要因素．文中配合实例介绍了一种基于时间序列的人工神经网络学习算法的流程，给出了该算法的实验结果并对不同情况下的结果作了比较，同时就在实现该算法的过程中所出现的问题以及解决方案进行了阐述．员后提出了将L—M神经网络与时序分析方法相结合的设想．     

宽间隔跳频伪码序列的研究

利用６４级ｍ序列＋非线性变换的方法产生宽间隔跳频码序列，结果显示：在跳频间隔１ＭＨｚ以内，其均匀性和同性能良好，非线性化和抗破译能力大大增强。     

混沌时间序列的双线性自适应预测

基于混沌动力系统相空间的延迟坐标重构和双线性表达式，设计了预测混沌时间序列的双线性自适应预测滤波器．对2种低维混沌序列的预测实验表明，采用双线性自适应滤波器的预测收敛速度快，处理约50个样本时即已收敛，预测相对误差小于0．001．     

道路交通事故多因素时间序列宏观预测模型

针对现有道路交通事故预测方法在实际应用中的不足，引入多因素时间序列法，建立了道路交通事故多因素时间序列宏观预测模型．该预测模型兼有单因素时间序列法和多元线性回归法两者的优点，通过单因素时间序列法可以方便、快捷地得出事故影响因素的预测值，而利用多元线性回归法可将各种事故影响因素综合起来，预测出道路交通事故总体发展趋势．实例计算证明，道路交通事故多因素时间序列宏观预测模型能很好地适用于道路交通事故预测，同时具备了所需数据资料较少、建模简单、计算快捷等优点．     

径向基函数在图像修复中的应用

提出了径向基函数的图像修复算法．由用户手工标记出要修复的区域，算法自动计算修复区域的轮廓并沿法向扩张，确定合适的径向基函数重构区域，并将该区域内图像上的每个点的像素值看成高度场中该点的高度值，这样一张图像就张成了以像素值为高度的三维曲面，从而将图像修复问题转化为三维散乱数据点的曲面重建问题．该算法能正确，稳定地处理各种破损区域。     

客运量预测模糊时间序列和灰色模型的比较

基于模糊集理论在模糊时间序列分析的基础上分别建立铁路、公路及民航客运量模糊时间序列模型,并与基于灰色理论的GM(1,1),修正GM(1,1)和Markvo三个模型进行标杆对比,结果表明:模糊时间序列模型能有效提高Markvo模型的预测效果;模型的外推预测能力比Markvo模型强;模糊时间序列模型和灰色模型相比,传统ARIMA时间序列模型及人工神经网络模型具有不需要大量历史时间序列样本的特点.     

多媒体通信中的图像数据压缩编码

介绍了在多媒体通信中常用的图像数据压缩编码方法，重点介绍JPEG和MPEG．     

基于RBF神经网络的混沌时间序列前后向联合预测模型

提出综合利用系统前向预测和后向预测对混沌时间序列进行建模,从物理学原理上解释了该模型相对于前向预测模型和后向预测模型的好处.计算机仿真结果表明:对于时间可逆性较好的混沌系统,前后向联合预测模型的建模性能比前向预测模型好,前向预测模型比后向预测模型预测性能好,但对于时间可逆性差的混沌系统,前后向联合预测模型的建模性能较前向预测模型略差,而后向预测模型比前向预测模型的预测性能差了很多.     

应用神经网络-时间序列预测路面平整度

以神经网络和时间序列分析方法为基础,采用零均值化、标准偏差预处理方法、规则化能量函数法和贝叶斯规则化方法进行BP神经网络建模,利用BP网络对平整度非平稳时序进行趋势项提取,使非平稳监测时序转化为平稳时序以进行常规ARMA时序分析。结合滚动预测方法,建立了适合平整度预测的神经网络时间序列分析联合模型,并以江苏省某高速公路的平整度数据为例进行了预测分析。研究结果表明：新模型的预测精度高、实时可靠,可应用于实际工程。