基于长短期记忆神经网络的涡激振动快速预报

基于本征正交分解（POD）方法和长短期记忆（LSTM）神经网络,建立圆柱双自由度VIV短期高精度快速预报模型,即POD-LSTM模型。模型训练所需数据通过浸没边界格子玻尔兹曼方法（IB-LBM）生成。基于POD降阶方法建立编码层和解码层,将流场快照集转化为一系列模态系数的时间序列,将其作为LSTM网络的输入,并将预报所得模态系数重构为流场快照。通过LSTM及滑动时间窗口策略实现未来任意时刻信息的预报。在Re=150、Ur=3,5,6,8工况下,基于过去50个时刻的历史数据,对未来300个时刻的流场速度分布及圆柱横流向位移进行预报。速度场的量纲一预报误差和均方根误差、圆柱横流向位移的均方根误差均维持在较低的水平,证明了POD-LSTM模型具备较高的预报精度。此外,在相同条件下,POD-LSTM模型计算耗时仅为IB-LBM的5.27%,在预报效率方面有显著优势。     

基于小波分解的停车场泊位占有率预测研究

为提高停车占有率预测算法的精度,减少“巡泊”现象所造成的燃油损耗、尾气排放及交通拥堵,文中基于停车场有效占有率的短时变化特征,提出小波分解的停车场泊位占有率预测方法。通过对有效车位占有率数据进行小波分解重构,得到趋势平稳、易于预测的单支信号,分别利用一次指数平滑法和改进的马尔科夫法进行预测,并将各个单支信号的预测值合成,得到最终预测结果。结果表明,两者均具有较好的预测精度,能够满足停车诱导系统短时预测精度。     

基于熵权法与超效率SBM模型的综合运输效率

为提升区域综合交通资源配置效率、推动区域综合交通协同发展,以山东省综合运输效率为研究对象,构建考虑非期望产出的超效率松弛值测算(slacks-based measure, SBM)模型,采用熵权法计算环境污染指数,将国内生产总值(gross domestic product, GDP)与环境污染指数之比作为绿色GDP构建超效率SBM模型的期望产出指标,测算山东省综合运输效率,将综合运输效率分解为规模效率与纯技术效率,分析山东省综合运输效率的影响因素,提出改善途径。结果表明：绿色GDP与传统GDP对综合运输效率影响存在显著差异;综合运输效率的时间演化规律符合事实规律。     

首次使用乙醇汽油注意事项

首次使用乙醇汽油前,应从摩托车上卸下化油器,先清洗化油器外部,再拆开分解各主要部件,用化油器专用清洁剂清洗.主要清洗部位:主油道量孔、油面室、油面控制针阀,彻底清除化油器内沉淀和积存附着的杂质,如铁锈、污垢、胶质颗粒等.清洗完毕后复装并启动试车,观察调整化油器在各工况下的使用性能.     

与算子相联系的BMO空间的分子分解

应用泛函演算工具,给出与算子相联系的BMO空间的分子定义,然后利用与算子相联系的BMO空间的多种性质,结合与算子相联系的Hardy空间与BMO空间的对偶关系和帐篷空间的原子分解理论,给出与算子相联系的BMO空间的分子分解结构。     

舰船总体RMS指标分解技术研究

分析了传统的舰船总体RMS指标转换方法的不足,提出了一套舰船新的总体RMS指标的分解方法。通过分解能直接得出主要设备的RMS指标,同时使保障性指标在系统、设备层次可以得到有效控制。一个舰船实例的计算结果证明了该研究方法的正确性和可行性。     

一类广义中心对称矩阵的Procrustes问题

设R∈(C)n×n为广义反射矩阵满足R=RH=R-1≠±In.若G∈(C)n×n满足RGR=G,则称G为广义中心对称矩阵.所有n×n阶广义中心对称矩阵的全体记为GCS(C)n×n.考虑问题Ⅰ给定X,Y,D∈(C)n×p,求A,B∈GCS(C) n×n,使得‖AX-BY-D‖=min.问题Ⅱ给定,∈(C)n×n,求((A),(B))∈ψ(X,Y,D)使得‖(A,B)-((A),(B))‖=min(A,B)∈φ(X,Y,D)‖(A,B)-((A),(B))‖(ψ(X,Y,D)是问题Ⅰ的解集合).文中给出了问题Ⅰ的通解表示及问题Ⅱ的唯一解,的表达式.     

基于多尺度模糊熵和主成分分析的 轴承故障特征提取

针对滚动轴承故障特征难以提取的问题,文章提出了基于多尺度模糊熵(MFE)和主成分分析(PCA)相结合的滚动轴承故障特征提取方法。首先利用经验模态分解(EMD)将原始振动信号分解成若干个本征模态函数(IMF),并根据相关系数和峭度值准则剔除虚假IMF分量;然后在不同尺度下求取真实IMF分量的模糊熵值,利用PCA对其进行降维处理,形成能表征不同轴承故障的特征向量,最后借用支持向量机对其进行诊断验证。实验表明,该方法可以有效地提取轴承故障信息,对4种轴承状态的识别率为95%,实现了对轴承故障的精确诊断。     

基于VMD和RBF的舰船管路泄漏识别和定位

针对工作环境恶劣、维护保养不便的舰船管路难以迅速定位泄漏点并对其进行损害管制,提出了一种基于VMD和RBF的舰船管路泄漏识别和定位方法。首先,对管路泄漏产生的空化现象、湍流和流体与管路的摩擦进行分析,研究影响泄漏产生激励的因素;然后,提出一种基于变分模态分解(VMD)与径向基函数(RBF)神经网络的管路泄漏识别和定位方法,通过VMD得到有效分量的中心频率和能量值分别构造特征向量,输入RBF神经网络以达到泄漏识别和定位目的;最后,模拟舰船环境,搭建泄漏管路试验平台,分析泄漏管路不同工况下的振动信号,并对RBF神经网络的诊断准确率进行验证。实测舰船管路故障信号分析表明,泄漏识别的准确率为90%,泄漏定位的准确率为87.5%。     

完全图的路分解与因子对称群

F.Harary在[1]中提出如下一个未解决问题:那些有限置换群是完全图同构分解的因子对称群?本文证明了偶数阶完全图的路分解的因子对称群是循环群.