基于支持向量机的港口吞吐量预测

对传统的两个线性组合预测模型进行了研究,提出了一个新的线性组合预测模型Ⅲ。为提高精度,提出了支持向量机非线性的组合预测模型。以青岛港历年集装箱吞吐量为例,与单一预测方法、线性组合预测进行对比,结果表明支持向量机非线性的组合预测方法比较精确。     

一种具有双重功能的海底挖沟机

水下管道维修前，需要对海床进行基础开挖使管道裸露出来，并在维修点周围形成一定范围的工作面，因此须要使用水下管道维修基础开挖的专用设备——海底挖沟机。在新管线敷设过程中，也需要先对海底实施挖掘开沟，然后进行管道埋设。介绍了一种海底挖沟机，特别是关于一种既能进行海底管道维修基础开挖，又能进行海底管道开沟埋设的具有双重功能的海底挖沟机。     

蓄电池电压驱动的缸内直喷汽油发动机喷嘴的研究

把喷嘴的线圈分成开启与保持两部分，开启线圈用于快速开启电磁阀，而保持线圈在电磁阀开启之后仅起保持作用，驱动电路使用蓄电池直接驱动，简化了驱动电路，而且避免了电磁噪声的产生，使其可以直接安装在发动机驱动电路中，ECU通过控制开启线圈上电时间来控制喷油量．     

基于小波变换的行波测距法在铁路信号电源系统中的应用研究

针对铁路10kV信号电源供电系统的特点,提出了一种基于小波变换的外加电压脉冲式行波测距法,就一些关键技术问题,提出了波速度折算算法和等效波速度法,分析了系统单相分支线路的影响,以及波速度确定等问题。文中以一条实际的铁路10kV信号电源供电系统为模型进行了仿真,仿真结果证明了所提方法的可行性。     

串联H桥形式的直接耦合SVG装置的仿真研究

为减少功率器件的数目，提出性能，提出一种新的采用直流环节电压不等的Ｈ桥串联形式的高压逆变电路，并针对其用作直接耦合ＳＶＧ装置时的控制策略问题进行了仿真研究。     

一种超宽范围电压输入的加固型多路稳压电源研究

介绍一种新颖的可适应超宽范围电压输入的多路加固型稳压电源。在电源中,采用输入电压实时监控及自动切换技术、优化组合应用高频串联储能或开关稳压技术和低压差稳压技术、加固及电磁兼容设计技术,使电源对输入电压的适应能力达到了17(5.85V~41V),实现3U标准尺寸小型模块化插件式结构并能适应坦克、装甲等车载及舰载和航空航天等多种恶劣环境。     

一种新型级联型高压变频器SVPWM控制

提出了一种SVPWM(空间矢量脉宽调制)新控制策略,选取与参考矢量距离最近的电压矢量作为最优矢量传送给负载.由于级联型多电平变频器电压矢量空间分布的稠密性,在调制深度足够大的情况下,其误差完全可以被忽略.通过MATLAB/Simulink仿真,得到了验证.该方法非常易于数字化实现,能满足实时控制的需要.     

TB880E型掘进机应用研究

由铁道部出资7．3亿元购置的2台TB880E型掘进机，先后完成了秦岭特长Ⅰ线隧道、磨沟岭隧道、桃花铺1号隧道的掘进任务，累计掘进长度22162m。这2台掘进机自2002年工程完工后，维修、保养、存放至今。TB880E型掘进机的正常使用寿命应在8000台班左右，可以完成35～40km隧道的掘进任务。此文结合秦岭特长隧道、乌鞘岭特长隧道施工方案，对掘进机与钻爆法的优缺点进行对比分析，探讨TBM剩余寿命期的利用问题，以期为今后选择合理的隧道建设方案提供参考。     

圆柱形壳体上开大直径相贯圆孔的数控切割原理

对在圆柱形壳体上开大直径孔的数控切割原理进行了分析，主要是针对大直径开孔所涉及到的重要的空间几何关系和运动关系的计算，并介绍了DKK-1型大直径开孔数控火焰切割机的设计及实际使用情况。     

Multimode trip information detection using personal trajectory data

Handheld global positioning system (GPS) devices can serve as a new tool to collect an individual's trip information with advantages of low cost, accurate data, and intensive spatial coverage. Various machine learning algorithms have been explored to detected trip train information in previous studies; however, few of them focused on the evaluation and comparison of the performance and applicability of different models. Meanwhile, according to previous studies, car and bus mode detection is a thorny issue due to their similar travel characteristics, and algorithms still need to be well explored and improved to solve this problem. In this article, an innovative method is proposed to detect trip information, including trip modes, mode-changing time and location, and other attributes, from personal trajectory data. The method is a two-step process. A machine learning algorith-based module (including artificial neural network, support vector machine, random forests, and Bayesian network) is firstly used to identify walk, bicycle, and motorized trip modes (bus or car); we thoroughly compared the performance of these four algorithms. Then a second module, using critical points on the GPS trajectories, is further developed to distinguish car and bus mode, incorporated with GIS map information. Field test results show that the proposed machine learning models can all be applied for walk, bicycle, and motorized mode detection with high detection rates exceeding 90%; however, the algorithms work relatively poorly for bus and car mode detection, with results mostly below 75%. The proposed two-step method can greatly improve bus and car mode detection accuracy by 14–30%. As a result, the average mode detection rates for all the four modes are above 90%. Compared with mode detection results by using only the machine learning algorithm, the proposed two-step method has much better performance in both accuracy and consistency.