基于短时傅立叶变化反鱼雷鱼雷主动声引信浅水检测方法

反鱼雷鱼雷在浅水工作时,背景混响干扰强,攻击目标具有高速、尺寸小的特点。发射信号应选用高频率、窄脉冲来抗混响干扰。而对高速、小目标的检测,在频域内通过不同多普勒频移将混响与目标区分开来,可降低强混响背景干扰。利用信号在频域的特征可以获得较好的检测效果。     

改进支持向量回归机的短时交通流预测

短时交通流预测是实施智能交通控制的基础和保障.针对目前短时交通流预测方法拟合交通数据的能力偏弱，以及过分依赖历史数据的不足，提出一种基于深度学习回归机的短时交通流预测方法.首先构建深度学习回归机算法模型，包括受限玻尔兹曼机的显层节点输入端，受限玻尔兹曼机的若干中间层，以及径向基支持向量回归机输出端.通过实验将深度学习回归机预测方法与其他典型的短时交通流预测算法进行比较，结果表明，在相同的数据和计算平台下，本文提出的深度学习回归机预测方法精度更高，且预测实时性也能满足实际的需求.     

基于改进极限学习机的公交站点 短时客流预测方法

以公交车IC 卡和GPS数据为基础，提出了一种基于改进粒子群算法优化极限学习机(IPSO-ELM)的公交站点短时客流预测模型.依托IC 卡和GPS 数据在站点的特征表现和内在联系，定义了站点间距，并分析了站间距和车辆到总站距离间的联系；提出了公交乘客上车站点确定方法，进而得到公交站点上车客流量；通过分析公交客流数据特征，确定ELM输入参数维度，并采用IPSO 算法找到ELM的最优隐含层节点参数；最后依托广州市19 路公交车客流数据仓库进行了方法验证.结果表明：所用优化后的ELM方法预测误差在10%以内，并与应用广泛的SVM、ARIMA和传统ELM模型进行对比分析，发现改进的ELM方法拥有更高的可靠性和泛化性能.     

多模型交通流预测优化

根据当前交通流预测模型发展的情况,提出采用卡尔曼滤波模型、指数平滑模型和非参数回归模型进行预测融合的方法,该方法在提高系统预测速度的基础上也能提高预测精度,因此,具有很好的推广价值.     

时频分析法在高压水泵启动过程分析中的应用

对水泵机组振动信号分析中短时傅立叶变换的时间分辨率和频率分辨率的设定、窗函数的选取进行了研究，以短时傅立叶变换方法为基础分析高压水泵振动信号，克服了单纯采用快速傅立叶变换进行分析的不足．结果表明：用时频分析法对离心式高压水泵的启动过程进行分析不但可以准确确定各频率成份在启动过程中的变化，还可以确定某些外界的干扰信号，为判断水泵运行是否正常和故障原因提供了有力的依据．     

基于GA-SLSTM模型的城市轨道交通短时客流预测

城市轨道交通短时客流预测可为相关运营部门实时调整行车调度、提高运营效率提供重要的决策依据,为乘客提供合理出行建议。因此,针对具有非线性和随机性等特性的地铁进出站短时客流预测问题,文章在堆叠式长短时记忆（SLSTM,Stacked Long Short Term Memory）模型的基础上,引入遗传算法（GA,Genetic Algorithm）,构建了GA-SLSTM预测模型。以10 min为预测粒度对地铁历史运营数据进行整理,分析了客流变化特征,并将其与GA-循环神经网络（RNN,Recurrent Neural Network）模型和LSTM模型的预测效果进行对比。GA-SLSTM预测模型对普通站点和换乘站点预测值的决定系数R2的平均值分别达到0.95和0.90,预测值对真实值的拟合效果较好,预测误差低于其他2种模型,证明该方法可提高地铁短时客流预测的准确性。     

数字轨道地图数据平顺性检查算法研究

利用卫星导航实现多传感器列车组合定位必须建立数字轨道地图。在数字轨道测量数据处理过程中,轨道数据平顺性检查是非常重要的环节,而人工检查工作量大且无法保证数据准确可靠。本文使用短时傅里叶变换分析线路数据点夹角序列的幅度谱,通过对数据进行频域高通滤波排除线路弯道对平顺性检查的影响,从而直观的检查、定位线路中的数据不平顺区域。实验表明,该方法能够直观的呈现线路平顺性,并快速定位不平顺位置,在轨道地图GPS测量过程中降低人员工作量,保证数据准确、可靠。     

我国客运专线高速列车安全运行大风预警系统研究

研究目的:为了确保大风天气条件下高速铁路动车组安全运行,必须建立大风预警系统,制定运行管制规则及对策,从而达到安全、高效行车的目的.研究结论:我国铁路沿线大风类型主要有寒潮大风、短时雷雨大风和台风大风.防风预警系统必须根据大风类型和地形地貌的不同,分别建立不同类型短时风速预测模式,其地形因数k由流体模拟与实际监测结果的比值确定,并绘制大风天气条件下高速列车运行管制曲线图,从而为行车指挥控制系统提供较为合理的行车速度限制信息.运用该研究成果既可降低大风对客运专线高速列车安全行车的影响和危害程度,又可保证最大程度的行车效率.