铁路客运专线特大桥沉降预测模型

针对客运专线特大桥沉降提出混沌行为测定方法，利用非线性理论与混沌时间序列方法，建立了铁路客运专线特大桥沉降预测模型。采用嵌入定理，对特大桥沉降时间序列进行重构。通过计算相关维度、Kolmogorov熵、最大Lyapunov指数来测定该时间序列的混沌行为特征，并以石武客运专线某座特大桥A、B桥墩为例进行实例研究。计算结果...     

针对行人小腿保护的SUV前保结构设计与优化

为达到保护行人小腿的目的,提出了适用于SUV的前保结构概念设计,并建立了有限元模型。采用响应面法和序列二次规划法,研究了前保部件的厚度参数对小腿评价指标的影响,并对前保结构进行了多目标优化。结果表明,优化后的前保结构可以满足国内行人保护法规,并降低了成本。     

数字视频系统质量测试方法研究

<正>随着数字通信媒体技术在有线电视、卫星、因特网、3G通信等领域迅速发展,MPEG-4与H.264压缩格式成为当前主流视频压缩技术,并在数字视频监控系统中广泛运用,在保证图像质量前提下,可大大降低通道带宽和存储     

生物信息学中的多序列比对算法

多序列比对是生物信息学中基本的信息处理方法,对于发现生物序列中的功能、结构和进化信息具有重要的意义.本文对多序列比对的算法进行了介绍并分析了它们的优劣.     

基于经验模态分解与长短时记忆神经网络的短时地铁客流预测模型

为降低样本噪声对客流预测模型的干扰, 结合深度学习理论, 提出了一种基于经验模态分解与长短时记忆神经网络的短时地铁客流预测模型; 将预测过程分为3个阶段, 第1阶段预处理原始地铁刷卡数据, 构建进(出)站客流时间序列, 运用经验模态分解法将时间序列转化为一系列本征模函数及残差, 第2阶段利用偏自相关函数确定长短时记忆神经网络的输入变量, 第3阶段基于深度学习库Keras, 完成长短时记忆神经网络的搭建、训练及预测; 以上海地铁2号线人民广场站客流数据验证了模型的有效性。计算结果表明: 与代表性的预测模型(差分自回归移动平均模型、支持向量机、经验模态分解与反向传播神经网络、长短时记忆神经网络)相比, 经验模态分解与长短时记忆神经网络预测模型分别将工作日高峰、平峰、全日的进(出)站客流预测精度分别至少提升了2.1%(2.5%)、2.7%(3.5%)、2.7%(3.4%), 将非工作日全日的进(出)站客流预测精度至少提升了3.3%(3.5%), 说明经验模态分解与长短时记忆神经网络的组合是一种预测短时地铁客流的有效模型; 当预测步长由5 min逐渐增加至30 min时, 工作日高峰、平峰和全日进(出)站客流的平均绝对百分比预测误差分别由14.8%(13.9%)、16.8%(17.4%)和16.6%(17.0%)逐渐降低至7.0%(6.2%)、8.3%(7.5%)和8.1%(7.4%), 说明该方法预测误差与预测步长呈负相关。      

直方图规定化描述直观算法及其应用

在图像工程中,图像增强方法有多种.其中,规定化直方图的计算非常烦琐和复杂,理解和实现比较困难.在大量计算和分析的基础上,提出组映射直观描述算法,便于计算机实现,并可在铁路计算机网络中得到应用.     

现代时间序列分析在扫雷作战效果评估中的应用

针对扫雷作战效果评估出现异常结果,特别是在混布雷阵效果评估过程中出现发散、突变和精度低的问题,采用现代时间序列分析法对扫雷作战效果进行评估。结合扫雷作战特点,给出具体的求解过程。通过对4种典型雷阵的仿真和分析,结果表明了该评估方法的有效性,尤其对混布雷阵也有很好的评估效果,且计算过程简便,可用于扫雷作战效果的实时评估。     

基于延迟相乘的快速周期累积序列估计方法

针对在低信噪比条件下直接扩频(DS/SS)通信系统中伪随机(PN)序列难以估计的问题,论文提出了一种简单的PN码序列估计方法.在已知PN码周期和码速率的前提下,应用延迟相乘的方法,消除信息码对PN信号的影响,将延迟相乘信号进行分段和整周期累积,通过滤波、运算,实现PN码序列的估计.理论分析和仿真实验结果表明:在—17dB的信噪比容限下,应用论文的方法能够快速准确地实现PN码中短码和长码的序列估计.     

直接序列扩频通信中的FFT快速捕获方法

在需要快速捕获的卫星定位系统中采用了一种基于快速傅里叶变换(FFT)算法的PN序列捕获方法.相对于经典捕获算法,FFT捕获方法可以有效降低运算量,缩短捕获时间,避免复杂硬件开销,且灵活性较大.并针对m、Gold等周期长度为非2的整数次幂的PN序列,给出一种适用于此类序列的FFT改进算法,可以有效地去除改进前FFT变换后相关的旁瓣峰值干扰.最后,介绍了将多个PN序列周期的FFT变换结果累加可以实现弱信号的捕获方法.     

基于MATLAB的AR模型参数估计

分析在地震作用下建筑物扭转振动效应的模型参数估计,根据系统振动加速度作为时间序列,来建立AR(n)模型,并利用时序模型参数与模态参数之间的关系,求解振动系统的模态参数.