基于SARIMA-BP神经网络组合方法的MODIS叶面积指数时间序列建模与预测

植被叶面积指数(LAI)时间序列的建模及预测是陆面过程模型和遥感数据同化方法的重要组成部分。MODIS数据产品MOD15A2是目前应用最为广泛的LAI数据源之一,然而MODIS LAI时间序列产品包含了一些低质量的数据,例如由于云层、气溶胶等的影响,该产品在时间和空间上缺乏连续性。MODIS LAI时间序列包含线性部分和外在干扰产生的非线性部分,单一的线性方法或非线性方法都不能对其精确建模和预测。首先利用Savitzky-Golay(SG)滤波和线性插值平滑受到干扰的LAI时间序列,然后采用季节自回归积分滑动平均(SARIMA)方法、BP神经网络方法及二者的组合方法(SARIMA-BP)对MODIS LAI时间序列进行建模及预测。在SARIMA-BP神经网络组合方法中,各自在线性与非线性建模的优势得以充分发挥,其中SARIMA方法用于建模及预测LAI时间序列中的线性部分,BP神经网络方法用于对非线性残差部分进行建模及预测。实验结果显示：SG滤波和线性插值后的LAI时间序列比原LAI时间序列更平滑;SARIMA-BP神经网络组合方法的决定系数为0.981,比SARIMA和BP神经网络的0.941和0.884更接近于1;SARIMA-BP神经网络组合方法的预测值同观测值之间的相关系数为0.991,高于SARIMA(0.971)和BP神经网络(0.942)的相关系数。由此得出结论：SARIMA-BP神经网络组合方法对MODIS LAI时间序列具有更好的适应性,其建模和预测准确性高于SARIMA方法或BP神经网络方法。     

基于激光自混合传感器的齿轮局部故障振动信号分析

建立了齿圈局部故障调频现象模型,分析了故障轮齿啮合频率及其倍频两侧边频带的产生机理,给出了齿圈局部故障特征频率的计算公式,建立了倒频谱分析模型。采用激光自混合传感器,分别从径向和轴向两个方向采集齿轮箱振动信号波形。在齿轮箱1Hz和2Hz两种不同输出转频下,分别研究了无故障齿轮箱和故障齿轮箱的振动信号特征。通过实验研究验证了理论推导结果。     

基于LP01和LP11模式共存的单光纤光镊实现生物细胞多路捕获和操纵

提出了一种用于生物细胞多路捕获与操纵的单光纤光镊。基于两种不同模式的光纤错位拼接，实现了LP₀₁和LP₁₁模式共存。该光镊的输出光场具有多个聚焦光斑，能够在多个支路上同时捕获和操纵多个生物细胞。仿真和实验结果表明，该光镊能够在三个支路上同时捕获和操纵多个小球藻细胞，在光镊移动速度约为14μm/s时仍能保持捕获稳定。该光镊结构简单，为生物传感和直接检测生物信号提供了更多可能。