基于GA_XGBoost模型的大学生科研能力预测问题研究

科学评价大学生科研创新能力对我国科研水平的提高具有重要意义.采用机器学习模型来预测大学生科研能力可以起到良好的效果,提出一种GAXGBoost模型来实现对大学生的科研能力预测.此模型是以Xgboost算法为基础,然后充分利用遗传算法的全局搜索能力自动搜索Xgboost最优超参数,避免了人为经验调参不准确的缺陷,最后采用精英选择策略以此确保每一轮都是最佳的进化结果.通过分析表明,所采用的GAXGBoost模型在大学生科研能力预测的结果中具有很高的精度,将此模型与Logistic Regression、Random Forest、SVM等模型进行对比,GAXGBoost模型的预测精度最高.     

简谐速度噪声及其与势场之间的频率共振

为了描述复杂的噪声环境，考虑了一种具有频率结构的噪声——简谐速度噪声，包括它的产生、关联函数、功率谱以及作为热噪声时的频率特性所导致的一些行为.结果表明：在频谱空间中简谐速度噪声是一种带通噪声，存在一个峰值频率，且噪声带宽由参量Γ控制.当简谐势中的一个布朗粒子受热简谐速度噪声驱动时，粒子能量极大值出现在两种频率相等的情况下.这表明噪声和势场的频率之间存在动力学共振，决定着粒子能量的大小. 关键词： 简谐噪声 简谐速度噪声 功率谱 频率共振     

天文斑点成像技术中的噪声影响分析

为进一步说明天文像复原新方法-迭代位移叠加法的性质，对探测器的附加噪声在斑点干涉术、斑点掩模法和迭代位移叠加法中的影响分别进行了分析。结果表明：在斑点掩模法中，复杂的噪声高阶矩统计被引入了重谱的噪声偏差，因此对噪声极为敏感，使数据处理更加复杂化；与斑点掩模法相比，迭代位移叠加法仅涉及对噪声的一阶矩统计平均，所以此新方法的特点是对噪声不敏感，具有图像复原处理过程简单快捷的优越性。     

利用振幅调制器进行光电负反馈抑制激光强度噪声

采用振幅调制器作为抑制激光强度噪声的元件，首先对光电负反馈回路进行了简要的理论分析，然后利用该光电负反馈进行抑制激光二极管抽运全固化单频环形Nd:YVO4红外激光器强度噪声的实验。结果表明，在0－1MHz的低频段，强度噪声大幅度降低，最大降低约15dB。     

考虑到束-波相互作用的速调管离子噪声二维模拟

采用粒子模拟的方法并考虑电子束与电磁波的相互作用，首次直接得到了速调管输出信号的离子噪声图像，阐述了束电子、二次电子、离子、电磁场之间的相互作用的动力学过程. 指出离子噪声所表现出来的相位波动是由电子束速度的波动引起的，电子束速度的变化来源于管内离子数量的变化，离子的数量的变化又与电子束状态变化相互影响，这是离子噪声产生的根本原因. 二次电子对离子噪声产生过程的影响甚微，但是其行为却反映了离子噪声的形成机理. 离子噪声引发的输出信号幅度波动取决于电子束速度和半径的改变，与离子行为密切相关. 关键词： 离子噪声 速调管 粒子模拟 电子束     

基于自适应预测滤波理论的模数转换器设计方法

基于自适应差分量化理论，提出了在不增加转换位数的情况下提高模数转换器(ADC)动态范围的一种设计方法。该方法通过量化输入与预测的差值来获得预测增益，从而扩大ADC的动态范围；通过差分量化值与预测值相加得到输出信号，并将该分别采用LMS和RLS算法进行处理．得到输入信号的预测值．计算机模拟结果证实，上述两种算法均能使模数转换器的动态范围提高约25dB．比较而言，RLS算法收敛速度更快，收敛性更好，但计算量较大．     

沸水的声音

有一个这样的故事：一次，在欧洲的阿尔卑斯山的一个隧道里，28t的炸药爆炸了．附近30km以内的居民都听见了爆发的巨响，离爆炸地点40km，50km的居民则一点也没有听到．这是否说明爆炸声的传播范围只有方圆30km呢?不是的．事实上，离爆炸地点往北远隔160km的地方，人们却很清晰地听到了这次爆炸声，这种现象就是“大音希声”现象．     

一种微穿孔板消声器

本文根据马大猷教授提出的“微穿孔板吸声体精确理论”，在对微穿孔板消声器结构参数与吸声特性之间的相互影响进行了分析的基础上，设计了微穿孔板消声器并将其应用在新舟60飞机APU(辅助动力装置)降噪的实际工程中，并通过编写的噪音数据采集分析程序，对降噪效果进行了测试和分析，验证出微穿孔板消声器对消除飞机的APU的排气噪声具有良好的消声效果，平均降噪7．16dB。     

不同加载方式下路堤沉降性状与预测模型研究

从考虑土体流变的本构关系出发 ,证明了瞬时加载、线性或者近似线性加载和分级加载情况下路堤沉降的性状 ,提出了从数学上能满足各自变形特征的预测模型 ,工程实例分析表明了在不同条件下采用不同模型的合理性和实用性     

Local Prediction of Chaotic Time Series Based on Support Vector Machine

Based on phase space delay-coordinate reconstruction of a chaotic dynamics system, we propose a local prediction of chaotic time series using a support vector machine （SVM） to overcome the shortcomings of traditional local prediction methods. The simulation results show that the performance of this proposed predictor for making onestep and multi-step prediction is superior to that of the traditional local linear prediction method and global SVM method. In addition, it is significant that its prediction performance is insensitive to the selection of embedding dimension and the number of nearest neighbours, so the satisfying results can be achieved even if we do not know the optimal embedding dimension and how to select the number of nearest neighbours.