驾驭现在＆环保未来

奥运会集合了全世界各个领域的关注和支持，从1984年美国人第一次经营奥运会以来，这场体育盛事已然成为一个绝佳的全球营销平台。除了对品牌的宣传和形象的提升，借助奥运会而达到的销售扩大也是各个领域的尖端企业争夺奥运赞助商的主要原因之一。它的影响力遍布全球，没有任何一个发布会能达到如此效果了。作为2008年北京奥运会的赞助商。大众集团适时地把握住了这个机会，在服务奥运的同时，也向社会提交了一份责任与技术的答卷，这就是一只独特的车队——大众汽车奥运绿色车队。组成车队的五种车型都集合了大众集团尖端的汽车技术，在车队交付之前，我们有幸对这些目前还未在市场上销售的车型进行了测试。     

基于集合谱峭度法的轴承故障诊断

轴承早期故障引起的微弱振动变化信号往往淹没在机械传动系统的背景振动噪声中,其故障特征提取困难。本文针对滚动轴承故障振动信号的非平稳性及调制特性,提出集合经验模式分解和谱峭度法合的滚动轴承故障特征信号提取及其故障诊断的新方法——集合谱峭度法(Ensembled Kurtogram,EK)。该方法应用集合经验模式分解将振动信号分解为多个固有模式函数,分别计算各个固有模式函数的峭度值及其与故障工况下振动信号、正常工况下振动信号之间的相关性,根据IMFs自动选取规则选取合适的IMFs进行轴承故障信号的重构;然后针对重构后的信号进行谱峭度计算得到对应的峭度图,根据峭度图上最大值原则选取最佳带通滤波器进行滤波;最后运用包络解调后的信号进行故障诊断。本文通过模拟仿真和实验验证,验证了该算法的故障信号提取有效性和故障诊断能力。     

生态船之思

随着技术的不断进步,海上节能减排规范的日益严格,以及社会各界对于绿色船舶推出各种"福利",人们对于海上绿色航运有了新的追逐与设想,希望集合所有最节能减排的方式,运用最环保的技术打造纯绿色的船舶——生态船。目前,生态船建造热潮席卷全球,这一现象引起业界热烈关注。那么,现在市场上真的有所谓的生态船吗?     

Sybase Adaptive Server Enterprise 15新特性——Eager and lazy Aggregation积极和消极集合

集合处理是DBMS环境中非常有用的操作之一。 它汇总具有集合值的大量数据，其中包括： （1）指定的一组行中某一列的最小值、最大值、总和或平均值； （2）与条件匹配的行计数； （3）其它统计函数。     

异步电机效率优化算法设计

针对异步电机效率优化问题，提出混合在线式直流最小功率模糊搜索效率优化控制算法（FLSC）。算法利用损耗模型控制（LMC）的研究成果，设计新型比例因子提取策略，可以实时在线获得电机各稳态工况下FLSC输入和输出变量的比例因子，预先规划了算法搜索控制的方向，保证了算法的快速收敛性。根据异步电机的特性及先期的综合实验数据分析，对模糊控制用模糊集合及其隶属度函数进行系统化设计，对输入变量的ZE模糊集进行梯形隶属度函数设计，对输出变量进行正负不对称隶属度函数设计，从而解决了系统在效率最优点处的振荡问题。对小功率异步电机系统的计算机仿真及台架实验表明：针对异步电机的轻载运行工况，FLSC算法能显著提高异步电机系统的控制性能；对于异步电机转子电阻参数变化的工况也具有很好的鲁棒性。     

基于图论的造船供应链构建

供应链管理的思想和方法适合现代造船模式的需要,能够反映未来造船模式的方向和趋势,供应链的构建是造船供应链管理的前提和基础.本文应用离散数学中的集合、图论方法构建造船供应链模型,并用运筹学中的标号法对模型进行优化,从而给出了寻找、选择、优化供应链合作伙伴的新方法.     

基于危险理论的舰船通信网络安全风险评价

为了准确把握舰船通信网络安全风险的变化,设计了基于危险理论的舰船通信网络安全风险评价方法。首先引入危险理论将舰船通信网络入侵频率作为风险评价输入,舰船通信网络安全风险级别作为输出,建立舰船通信网络安全风险评价样本集合,然后采用Elman神经网络对舰船通信网络安全风险评价样本集合进行训练,建立舰船通信网络安全风险评价模型,最后采用舰船通信网络系统为例,分析舰船通信网络安全风险评价方法的可行性,结果表明,本文方法能够高精度把握舰船通信网络安全风险变化态势,不仅获得了令人满意的舰船通信网络安全风险评价结果,而且舰船通信网络安全风险评价效果要优于其他方法,具有十分显著的优势。     

模糊聚类分析的一种新方法研究

将模糊相似度与图论相结合,得到了一种求模糊相似矩阵传递闭包的新方法,以此为基础导出了一种聚类分析的新方法.     

地铁短时客流预测改进LSTM方法

短时客流预测可为轨道交通运营部门规划调度提供参考,其中短时客流预测的精准性尤为重要,为进一步提高城市轨道站点短时客流预测精准性,提出一种结合集合经验模式分解算法和贝叶斯优化算法的改进LSTM方法。先使用集合经验模式分解算法(EEMD)对地铁站点的客流数据进行分解,以减少数据噪声干扰;再通过贝叶斯优化算法(BOA)对长短时记忆神经网络(LSTM)的超参数进行优化,从而提高模型的参数精确性。采用真实的客流数据验证结果表明：相较于单一LSTM以及单层组合模型,双重叠加后的EEMD-BOA-LSTM组合模型预测结果平均绝对误差降低21.8%～44.8%,均方根误差降低16.9%～47.4%,对短时客流的预测结果误差改善显著。