数乘变换的GM(1,1)模型在工程项目施工工期预测中的应用

为了准确地确定某一工序的工期,结合施工企业的统计资料,运用灰色理论,进行工期预测.通过分析传统GM模型的病态性,提出适用于实际情况的数乘变换的累积法GM(1,1)模型,并通过工程实际应用,验证了数乘变换的GM(1,1)模型的优良性.该方法在工期预测中的应用得以推广,为科学、.合理地编制进度计划提供了依据.     

船载桥梁报警综合助航仪产品介绍

船载桥梁报警综合助航仪（简称：综合助航仪）是由上海市地方海事局和新阳升电气联合研制的一种内河船舶助航设备。     

最小二乘矩阵滤波器设计与性能分析

提出最小二乘矩阵滤波器设计方法,将矩阵滤波器设计问题转化为超定线性方程组求解问题,通过求最小二乘解,给出了最小二乘矩阵滤波器表达式,利用奇异值分解,给出了滤波器简化表达式和总体误差.系统分析了通带位置、通带宽度和阵元数对最小二乘矩阵滤波器效果的影响,为矩阵滤波器设计和应用提供了参考.     

红外热像仪船用数据采集方法应用

基于红外热像仪数据采集方法和国内外仪器设备无损检测方法应用研究,以热像仪船舶应用为案例,提出了集热像图采集、处理、存贮和利用的热像图图文信息采集管理方案。该方案规范了热像图的采集、处理过程,使热像图真正起到在船用设备隐患预警中的指导作用。     

一类复杂带乘性噪声广义系统研究

研究状态空间模型描述的带乘性噪声广义系统,在加性噪声同时刻相关情形下的最优状态滤波算法以及观测噪声最优估计问题.在假设系统正则的情况下,针对乘性噪声为一般随机矩阵即各观测通道乘性噪声同时刻相关的情况,通过受限等价变换的方法,给出了线性最小方差意义下的系统状态滤波算法和观测噪声最优滤波算法.数字仿真结果表明了算法的有效性.     

浅谈激光断面仪在实际应用中的标定与比对

激光断面仪在高速公路路面检测中应用越来越多,其准确性对平整度等重要指标有着极大的影响。综述了如何在实际应用中准确地标定激光断面仪,并比对传统检测方式所测结果,以求更准确直观的反映激光断面仪的准确性。     

基于最小二乘支持向量机的交通流量预测模型

城市交通流具有复杂性、时变性和随机性,实时准确的交通流量预测是实现智能交通诱导及控制的前提.综合分析交通流量影响因素的基础上,进行多路段的交通流量预测研究,提出了基于最小二乘支持向量机的交通流量预测改进模型,并应用平安大街的流量数据进行实例验证.结果表明,该模型具有学习速度快、跟踪性能好及泛化能力强等优点,在交通流预测中更具有实用性和推广性.     

出租车合乘收益趋势影响模型研究

为了分析出租车合乘条件对合乘收益趋势的影响,构建了GPS轨迹数据的处理方法,引入合乘下车点的距离、合乘上车点的距离和时间等参数,建立出租车合乘模型,并利用灰色预测模型,讨论了在合乘点距离和间隔时间不同的影响条件下,出租车的合乘收益趋势.研究结果表明:合乘的收益与合乘上车点间的距离密切相关.模型应用于南京市出租车GPS轨迹数据时,当合乘上车点的时间间隔固定为20min,合乘上车点间的距离增大到1 200m时,合乘的匹配数增加快,合乘的收益可以增加20.31%,且距离间隔越大,收益增长越快;当合乘上车间的距离固定在100m时,合乘上车点的时间间隔增加到35min,合乘的匹配数增加慢,合乘的收益仅增加5.38%,且时间的间隔越大,收益增长越慢.     

基于路口转弯流量的OD估计方法研究

机动车起终点矩阵(Origin-Destination Matrix,OD矩阵)的估计是交通规划和 交通管理等工作的重要基础.本文主要研究在采集数据日渐精细情况下的机动车OD估 计方法.基于车牌识别数据提取出路口转弯流量和路段断面流量,在此基础上建立应用广 义最小二乘模型进行机动车OD估计的模型及方法.利用S-Paramics 仿真平台及实测数 据,应用Nguyen–Dupuis 网络和实际城市路网对本文研究的方法进行了对比验证,分析 对比验证了是否已知真实OD、不同的数据输入类型、不同的已知检测量的比例等.结果 显示,与使用路段流量相比,使用转弯流量可以提高OD估计的准确性.     

基于GRA 与KPCA 的LSSVM 物流需求预测

为降低物流需求建模中最小二乘支持向量机（LSSVM）的结构复杂性、进一步提高LSSVM对物流需求的预测精度,提出一种基于灰色关联分析（GRA）与核主成分分析（KPCA）的LSSVM预测方法.首先利用GRA找出物流需求的主要影响因素;然后利用KPCA提取主要影响因素的非线性主成分,消除因素之间的多重相关性;最后,将提取出的非线性主成分作为LSSVM的输入变量,构建物流需求预测模型,并采用改进粒子群 (IPSO)算法调整LSSVM参数.运用该方法对我国物流需求进行实例分析,结果表明,该方法有效减少了LSSVM输入变量个数,简化了LSSVM结构,并且在一定程度上提高了物流需求预测精度.