舰船消防投入消耗的重量和空间统计分析

战斗舰船上有众多的易燃易爆高发区域,必需设置舰船消防系统以达到防火和灭火的目的。但消防投入在提升舰船生命力与安全性水平的同时,也消耗了舰船有限的舱容和排水量。为了配合舰总体进行综合平衡,确保消防设计得以实施,对消防投入涉及的重量和空间进行统计分析,是有效支撑舰船总体布置和性能设计的重要途径。     

双馈风力发电机系统有功和无功功率的解耦控制

双馈发电机的有功和无功功率的解耦控制是变速恒频(VSCF)风力发电系统的关键技术.文章阐述了变速恒频风力发电系统的工作原理,在分析双馈感应电机的动态数学模型以及定子磁链定向矢量控制的基础上,介绍了一种有效的有功和无功功率解耦控制方法.Matlab仿真结果表明,该控制方案能够很好地实现双馈电机的有功和无功功率的解耦控制,验证了其正确性和有效性.     

城市轨道交通客流增长滞后性与预测方法研究

城市轨道交通客流是确定城市轨道交通建设规模及投资决策的主要依据,然而客流增长速度并不与城市轨道交通建设同步.考虑到城市轨道交通客流增长的滞后性,利用上海城市轨道交通1996-2010年客流与建设数据,基于协整理论建立了向量自回归模型进行城市轨道交通客流预测.研究结果表明:城市轨道交通客流与城市轨道交通网络长度以及连接度存在协整关系;在城市轨道交通建设初期,客流增长对于网络长度具有显著滞后性,随着城市轨道交通系统的完善客流滞后性减弱;2011年上海城市轨道客流预测误差为9.3％.     

基于灰色—小波神经网络的有效泊位预测

针对停车场有效停车泊位的变化特征,提出了基于灰色—小波神经网络的组合模型.先通过灰色单因素预测模型对有效停车泊位时间序列进行修正处理,再基于分步式小波神经网络模型对修正预测值进行运算,并通过马克科夫链预测模型得到更精确的预测区间,并利用实际案例分析,对模型的预测精度、稳定性、拟合度和训练时间进行了评价.研究表明,灰色—小波神经网络预测模型可降低初始数据波动性的干扰,与传统神经网络相比,预测结果误差波动性降低了10%~19%,稳定性提高了27%~33%,拟合度提高了10%~15%,精确度明显提高.     

基于客运联系特征的中国城镇空间演变态势

空间运输联系反映地理单元间的经济联系,与城镇化进程和区域发展格局息息相关。随着经济发展和城镇化水平的提高,省内客运联系增长速度显著快于省际,省域客运联系呈现内聚化态势;从各区域变化幅度看,内聚化态势围绕三大核心城市群由内而外逐步加强,并呈现较大的南北差异。省际客运联系呈现以京津冀、长三角、珠三角为核心的中心—外围结构,从发展态势看,沿海城市群的极化效应进一步凸显,中西部区域区内联系加强态势初步显现。研究显示:现状城镇空间不平衡特征仍较为突出,尤其南北分化问题凸显;未来城镇空间布局需突出沿海城镇空间的再平衡、促进中西部城镇空间的多中心集聚和加强南北区域协作。     

空间量子保密通信的研究现状

首先阐述了量子密码术(quantum cryptography,QC)在保密通信中的重要意义,然后简要地介绍了量子保密通仪协议安全性的基本原理和几种量子密码术协议,综述了空间量子保密通信实验研究的进展,最后在上述实验的基础上介绍了基于卫星的量子保密通信终端及其关键参数和关键技术。     

基于向量Liapunov函数的时滞车辆跟随系统稳定性分析

为了提高自动化高速公路车辆纵向跟随控制系统的稳定性,建立了关于车辆跟随误差的具有时间滞后的无限维非线性关联大系统模型,应用向量李雅普诺夫函数对大系统的稳定性进行了分析。以大系统的孤立子系统的稳定性条件为基础,在假定系统满足全局Lipschitz条件的情况下,得到了此类大系统指数稳定的充分性判据。该判据是与时间滞后量无关的显式判据,可方便地应用于车辆纵向跟随控制器的设计。     

基于长间隔大规模数据的地图匹配算法研究

随着GPS定位技术应用的日益推广,GPS技术被大量应用于公交车辆及出租车辆的定位与预测.公共交通调度中心的数据量和处理负荷将变得非常巨大,而且租用电信无线网络的费用也很高.如何使用尽可能少的数据得到比较好的定位信息和节约计算资源就成为我们面对的一个重要课题.针对杭州交通调度中心的出租车和公交车的大间隔定位信息,本文提出了一种将基于权值,道路拓扑和最优路径选择相结合的综合地图匹配算法,并应用于实际,取得了很好的效果.     

钢绞线斜拉索在狭窄空间内的特殊张拉工艺

对于塔内空间极其狭窄的斜拉桥，其斜拉索安装、张拉等极其困难。以贵州省某斜拉桥为例，介绍一种特殊、简便、高效、经济的斜拉索张拉施工方法，可以较好地解决因塔内空间狭窄而导致不便开展斜拉索相关工序的难题。     

Short-term forecasting of high-speed rail demand: A hybrid approach combining ensemble empirical mode decomposition and gray support vector machine with real-world applications in China

Short-term forecasting of high-speed rail (HSR) passenger flow provides daily ridership estimates that account for day-to-day demand variations in the near future (e.g., next week, next month). It is one of the most critical tasks in high-speed passenger rail planning, operational decision-making and dynamic operation adjustment. An accurate short-term HSR demand prediction provides a basis for effective rail revenue management. In this paper, a hybrid short-term demand forecasting approach is developed by combining the ensemble empirical mode decomposition (EEMD) and grey support vector machine (GSVM) models. There are three steps in this hybrid forecasting approach: (i) decompose short-term passenger flow data with noises into a number of intrinsic mode functions (IMFs) and a trend term; (ii) predict each IMF using GSVM calibrated by the particle swarm optimization (PSO); (iii) reconstruct the refined IMF components to produce the final predicted daily HSR passenger flow, where the PSO is also applied to achieve the optimal refactoring combination. This innovative hybrid approach is demonstrated with three typical origin–destination pairs along the Wuhan-Guangzhou HSR in China. Mean absolute percentage errors of the EEMD-GSVM predictions using testing sets are 6.7%, 5.1% and 6.5%, respectively, which are much lower than those of two existing forecasting approaches (support vector machine and autoregressive integrated moving average). Application results indicate that the proposed hybrid forecasting approach performs well in terms of prediction accuracy and is especially suitable for short-term HSR passenger flow forecasting.