矩阵方程AXB=E,CXD=F的最小二乘解

借助于矩阵方程AXB=E,CXD=F的正规方程及系数矩阵的广义奇异值分解,得到了此矩阵方程的最小二乘解.     

国产轿车自动变速器维修技术讲座(三十二)

6．分解和组装3-4离合器K3 3-4挡离合器K3分解图如图174所示,装配图如图175 所示。离合器K3组装后检查离合器压板和卡环之间的间隙．如图176所示,安装尺寸为0．8-2．2mm．磨损极限为2．4mm。 7．单向离合器的解体与装配单向离合器的分解图如图177所示．组装如图178所示．安     

基于频率加权左互质分解的汽车悬架H∞控制器降阶研究

建立了7自由度汽车整车悬架模型,考虑人体对垂直和旋转方向振动的敏感频率范围,设计频率加权的H∞控制器。进而在选取特定加权矩阵保证降阶闭环系统稳定前提下,应用基于频率加权左互质分解的控制器降阶方法,对所设计的高阶H∞控制器进行降阶。仿真结果表明,控制器的阶数能够被较大程度地降低,而闭环控制效果损失很小,证明了频率加权左互质分解控制器降阶方法的有效性。     

一种水声弱信号奇异熵特征提取方法

本文提出一种基于奇异值熵的固有模态函数筛选重组方法,将经验模态分解得到的固有模态函数经过信息熵计算筛选,去除低信噪比信号中具有较高能量的环境噪声,提升舰船辐射噪声特征的信噪比,从而一定程度上改善对舰船目标的远距离识别效果。实验结果表明,经过信息熵筛选后的固有模态函数重构信号明显突出了舰船辐射噪声信号的原有特征,可有效提高对远距离目标的识别率。     

盾构竖向姿态的组合预测模型研究

由于盾构施工过程中盾构姿态演化的复杂性,单一预测模型很难实现较为精准的预测,提出了一种基于BP神经网络和支持向量回归(Support Vector Regression,SVR)的盾构竖向姿态组合预测模型.首先,利用经验模态分解将盾构竖向姿态时间序列分解为有限个固有模态分量和剩余分量;其次,在分别建立不同分量的粒子群优...     

应用小波模历史图像的运动车辆视频检测

为提高车辆目标检测的稳定性和准确性,提出了基于背景减除和小波分解模历史图像的运动车辆检测算法.首先对原始图像进行小波分解,对低频分量用混合高斯模型和纹理特征相结合的方法,自适应更新背景并标记运动目标初始区域;然后,基于高频分量计算模值,并通过逐帧历史累积得到模历史图像;最后,利用车辆目标与阴影相比富含边缘细节的特点,对目标进行倾斜校正后,将目标边缘分别沿图像x和y方向投影,利用投影曲线将边缘信息与目标初始区域信息迭代融合,得到最终检测结果.实验结果表明,用本文方法检测车辆的捕获率达到99.0%,有效率为92.5%;与使用单一自适应背景提取方法相比,在实际交通场景中可有效处理阴影导致的多目标粘连问题,检测结果更准确.     

交通运输、经济增长与碳排放之间的互动关系研究——基于PVAR模型

选取2000—2014年中国30个省市的面板数据,通过面板协整检验和PVAR模型实证,研究了交通运输、经济增长与碳排放之间的互动关系.结果表明:全国范围内交通运输、经济增长与碳排放之间存在长期的均衡关系,且两两之间的互动效应呈现倒U型;高经济区的碳排放对经济增长的影响显著,交通运输和碳排放对经济增长存在单向影响关系;低经济区交通运输对经济增长的刺激作用明显,碳排放随着经济增长和交通运输水平提升显著增长.     

潜艇肼吹除技术研究

国内外潜艇专家认为肼快速催化分解产生大量气体,是解决潜艇大深度应急吹除的有效技术途径。本文介绍了潜艇肼吹除技术研究和原理样机的设计及试验,其研究结果表明,采用肼分解技术可以解决潜艇大深度下应急吹除的难题。     

关于矩阵方程AXB+CYD=F的极小范数解

利用矩阵对的广义奇异值分解(GSVD),得到了L非空的一个充分必要条件,并给出了问题P的解的表示。     

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。