全寿命费用的DEA优化逐步回归分析法及其应用

在全寿命费用估算建模领域,逐步回归能对多因素进行筛选,克服了建模因素之间的多重相关性对最小二乘估计的干扰。逐步回归分析法本质上是对数据平均趋势的估算,无法避免“由失真数据得到无效模型”的根本问题。为此,提出用数据包络分析（DEA）优化逐步回归的建模方法,用DEA方法对数据进行评价,剔除无效数据,将有效的数据用来逐步回归建模。该方法能有效克服干扰数据对提取成分的影响,弥补逐步回归方法的不足。通过实例计算并与逐步回归、多元线性回归比较分析,DEA优化逐步回归建模精度为2．64％,高于逐步回归的3．39％和多元线性回归的3．49％,具有实用价值。     

基于统计推断的电子设备突发故障预测方法研究

针对电子设备突发故障预测问题,在一定置信度的前提下,基于样本的故障数据对总体的分布进行极大似然估计和分布拟合检验,确定其分布规律,进而基于故障数据分布函数建立电子设备突发故障预测模型,对电子设备未来一段时间内的突发故障概率进行预测,并进行实例分析,验证了预测模型的合理性.     

基于二维高斯样条函数的水下重力被动定位

目前利用水下地理信息对惯导误差进行校正多以各类匹配算法为核心,对此论文提出一种基于二维高斯样条函数的水下重力被动定位新模式.文章首先介绍了一种利用二维高斯样条函数逼近的连续局部重力场模型,随后在该模型的基础上将实测重力表示为连续的解析形式,最后以实测重力作为包含目标位置信息的量测值,并结合扩展卡尔曼滤波算法对目标位置进行最优估计.这种方法无需使用常用的匹配算法,因而也就摆脱了匹配算法的诸多限制.以分辨率为2＆#39;＆#215;2＆#39;的某区域重力异常数据为背景场进行仿真,最终的仿真结果表明：经高斯样条函数逼近的局部重力场模型平均误差小于0.19mGal,水下平均经、纬定位误差分别小于0.59和0.74海里.     

流函数法在 UUV 航路规划中的应用及改进

UUV相关技术的发展越来越多地受到广泛重视,其航路规划算法研究日益成为相关研究领域的重要课题。论文介绍了一种起源于流体力学的算法———流函数法,可有效应用于UUV的局部航路规划。针对UUV在实际应用中由于自身机动性、探测性能约束而产生的问题,提出了改进流函数法,能够更有效地规划航路。     

议思修课对大学生德性提升的助力作用

大学生是国家民族的希望,是未来经济建设的主力军。作为一个国家综合素质最高的群体,大学生的德性水平,将直接关系到国家和民族的面貌,他们的德性状况不仅检验着我国的道德水平,也将影响我国整个社会道德建设的方向。如何提升大学生的德性水平,是高校政治理论课教师必须认真研究的重要课题。在高校诸多的政治理论课中,思修课教学可以从教师的德性水平、教学方法及教学内容等等方面入手,在道德意识、道德取向及道德人格等方面为大学生的德性提升提供助力作用。     

铁路集装箱空箱调运优化及相关问题分析

在铁路集装箱空箱调运的优化过程中,需要综合许多因素,其中空箱调运后变成重箱而产生的实际经济效益问题最为重要,是必须优先考虑的关键。分析铁路集装箱空箱申请的实际过程,并在此基础上对铁路集装箱空箱调整的原因和特点进行论述,在对空箱调运影响因素分析的基础上,建立铁路集装箱空箱调运优化模型。     

基于GP算法的城市轨道交通客流分配问题研究

城市轨道交通客流分配问题是城市轨道交通规划领域的重点,也是城市轨道交通运营管理和列车开行方案的基础。结合城市轨道交通系统的基本特性,考虑客流在站点的停车时间和换乘时间费用,以及拥挤导致乘客无法上车的现象,建立包括延误时间在内的客流出行费用函数,构建城市轨道交通均衡配流模型,针对经典的FrankWolfe算法难以给出有效路径解的不足,提出基于路径配流的改进GP算法。最后,通过算例验证模型和算法的有效性。     

高职院校内设高职教育研究所的定位和职能的再审视

本文简要回顾了我国高职教育发展的历程,分析了我国高职教育目前仍面临的困境及加强高职教育研究的意义,对目前我国高职院校内设高职教育研究所的定位和职能现状进行了分析,从组织机构、工作内容、人员构成等方面提出了加强我国高职院校内设高职教育研究所的定位;针对其职能方面,提出了我国高职院校内设高职教育研究所应发挥高职教育研究的职能、职业教育政策咨询职能、承担本校教师开展教育研究的培训职能的对策建议。     

高职院校服务社会的模式与功能研究

近几年,随着现代职业教育体系的不断完善,高职院校社会服务的模式不断地多元化,功能也不断地完善,社会服务方面取得了一些成效。但是社会服务是一项长期坚持的工作,需要政府、行业、企业、学校四方的通力合作,需要从内部和外部制度和机制建设着手,探索社会服务实施有效途径,扎扎实实推进和加快高职院校社会服务,最大限度的服务好地方经济和社会民生。     

混合径向基神经网络对货运量的预测

为了定量预测多个外部因素影响下的货运量,建立了混合径向基神经网络模型.该模型以径向基神经网络为模型主体,并结合二阶振荡粒子群优化算法和灰色预测方法构成混合预测模型.该神经网络模型的参数设置更加简便,收敛速度更快.实例预测得到的结果相比较其他预测方法绝对误差值更小,误差变化范围更加稳定,证实了该神经网络模型的有效性,表明了其在多因素影响下的货运量预测中具有很好的适用性.