小型全封闭活塞式制冷压缩机模拟仿真

建立了小型全封闭活塞式制冷压缩机稳态模型和参数回归模型,对制冷剂流量和压缩机输入功率进行了仿真计算,仿真值与试验值的误差均在4.5%以内,满足系统整体仿真的需要。对比后发现工况变化时,采用参数回归模型仿真精度更高。     

制冷压缩机变工况性能仿真与试验研究

对小型制冷系统用全封闭活塞式压缩机建立稳态性能仿真模型,仿真值与试验值的误差范围在4%之内,在工程应用允许的误差范围之内,表明模型准确,可以满足系统仿真计算的需要。通过试验表明:在冷凝温度一定的情况下,压缩机的制冷剂流量、制冷量、功率、排气温度均随蒸发温度的升高呈线性增大;在蒸发温度一定的情况下,压缩机的制冷量随冷凝温度的升高呈线性减少,而压缩机的功率随冷凝温度的升高而增大,蒸发温度对压缩机性能的影响要远大于冷凝温度的影响。     

采用非均匀有理B样条曲面延展光学元件面形误差

在离子束抛光工艺中,为了提高驻留时间求解算法在工件边缘处的求解精度,通常需要对原始面形误差数据进行边缘虚拟延展。要求原始面形误差数据与虚拟延展面光滑拼接,并在延展区域具有可控的不确定性。非均匀有理B样条(NURBS)曲面常用在机械制造领域对复杂形状物体进行三维建模。引入非均匀有理B样条曲面并结合泽尼克(Zernike)多项式拟合对一典型的圆形光学元件面形误差自由曲面数据进行延展。通过对典型面形误差曲面延展前后的等效功率谱密度曲线分析可以看出,延展后在面形误差频率大于0.05mm-1时其面形误差改善量均大于70%;将该典型延展面应用于特定驻留时间求解算法中,使得预测加工精度的均方根值由1.18nm改善至0.19nm。这表明,采用非均匀有理B样条曲面延展光学元件面形误差能够获得光滑拼接的虚拟延展曲面,并能大大改善离子束抛光工艺中驻留时间算法的求解精度。     

基于TASI热红外数据的黑土土壤发射率光谱与土壤全钾含量关系研究

土壤钾元素含量是评价土壤营养程度重要的指标之一。利用热红外发射率(TASI)数据对钾元素的反演研究较少且模型精度较低。利用在黑龙江海伦地区采集的热红外航空成像光谱仪TASI数据,经过预处理和温度与发射率分离后,探究黑土土壤热红外发射率与钾元素含量关系。在对比了常规的多元逐步回归与偏最小二乘建模方法后,使用了一种新的逐步回归方法-全二次多元逐步回归建立模型,相对于常规多元逐步回归,引入了更多的参数进行模型的建立,有效提高反演精度。研究发现,土壤发射率数据对于选用有效特性波段建立的模型对钾元素具有较高的反演精度,所选特征波段均为负相关,波段分别为6(8.602μm), 11(9.150μm), 15(9.588μm), 23(10.464μm),相关系数依次为-0.658,-0.673,-0.645和-0.627。钾元素通过多元逐步回归建模与预测的均方根误差RMSE:0.027和0.032,判定系数R~2:0.667和0.82,相比于常规多元逐步回归建模与预测的均方根误差RMSE:0.031和0.031,判定系数R~2:0.569和0.78与偏最小二乘法建模与预测的均方根误差RMSE:0.033和0.037,判定系数R~2:0.45和0.51评价指标精度均有所提高,说明该方法有效提高了利用发射率数据对钾元素的反演精度。在利用学生化残差对模型进行去除异常值的改进后发现,建模精度有了明显提高但是测试精度却有所降低,过度拟合训练集数据导致模型泛化性下降,因此不建议对模型过度拟合。     

含有误差校正的小波神经网络交通流量预测

交通流量的准确预测对于高速路管理者进行决策至关重要。建立了小波神经网络(WNN)交通流量预测模型,并通过预测训练误差和测试误差校正预测结果来提高预测精度。首先构建WNN模型对交通流量进行初步预测,然后利用经验模态分解(EMD)和WNN模型对训练误差和测试误差进行预测。分别用训练误差预测值、测试误差预测值和两种误差预测值的加权对流量初步预测结果进行修正得到最终预测值。采用四川省成灌高速路交通流量数据进行了仿真对比实验,仿真结果表明含有误差校正的小波神经网络模型能有效提高交通流量预测精度,并且利用两种误差加权修正模型的预测精度高于利用测试误差的修正模型和利用训练误差的修正模型。     

基于多目标LSSVM回归的火电厂烟气含氧量软测量

为了提高基于LSSVM的软测量模型的可信度,提出将平均拟合误差、平均预测误差与最大预测误差作为模型参数优化的3个目标,并根据两个预测误差目标之间的差值来设置模型参数选择的偏好;基于某电厂600 MW超临界机组运行时采集的数据,对烟气含氧量进行的建模仿真结果表明:根据偏好选择LSSVM的正则化参数γ与核函数宽度σ可以同时兼顾模型的拟合能力与预测能力,并确保模型的最大预测误差小于一定的上限,从而能够提高模型的可信度;在此基础上,对γ与σ值变化的仿真试验进一步验证了综合考虑上述3个目标来进行模型参数优化选择的合理性。     

基于多角度偏振相机的城市典型地物双向反射特性研究

基于高空间分辨率多角度偏振相机(directional polarimetric camera,DPC)获取的中国珠江三角地区典型地表多角度航空数据,在航空尺度上反演得到城市区域四种典型地物的三种半经验双向反射率(bidirectional reflectance distribution function,BRDF)模型的参数,并对模型精度进行分析.结果表明,三种半经验BRDF模型对多角度反射率数据都有较好的拟合能力,其中,Ross-Li模型对森林类型的拟合误差最小,Ross-Roujean模型对裸土类型的拟合误差最小,RPV模型对城市和灌木类型的拟合误差最小.在此基础上,重点分析了四种城市典型地物高空间分辨率的双向反射特性,研究发现,不同地物的反射率存在差别,但整体趋势都随着散射角的变大而变大.城市区域典型地物类型双向反射特性的研究,将为基于遥感数据探测地表和大气物理光学参数提供理论支持.     

X射线光谱与神经网络中单组分型神经群结构研究

研究、比较了神经群结构与常规神经网络算法的预测性能,考察了过拟合与最佳拟合态等的关系。结果表明,在多元体系中,将神经网络单组分预测模型应用于Ｘ射线荧光光谱分析时,在预测准确度、模型稳定性和外推预测能力方面,神经群结构优于常规神经网络模型。     

基于BP神经网络的LED可靠性模型研究

根据LED可靠性与相关参数的映射关系,建立拓扑结构为6-12-1的BP神经网络。以实测白光LED芯片的理想因子、结温、色温漂移等参数为输入量,以寿命为输出量,计算模型精度。研究结果表明,该模型有良好的外推能力及鲁棒性,可在短时间内成功预测LED寿命,神经网络训练结果相关系数为99.8%,检验组误差小于3%。     

结合纹理因子和地形因子的森林蓄积量多光谱估测模型

森林蓄积量是林分调查中重要因子,是评价森林数量和质量的重要指标。传统森林蓄积量实测方法耗时费力、效率低下,多元线性回归遥感反演方法精度较低,难以达到精准林业要求。机器学习是一种利用训练数据,进行自我改进、自动提升性能的方法,可以任意逼近非线性系统,提高模型预测精度。以鹫峰林场森林为研究对象, 综合考虑影像光谱因子、纹理因子、地形因子,采用机器学习中的BP神经网络、最小二乘支持向量机、随机森林方法构建了森林蓄积量多光谱估测模型BP-FSV,LSSVM-FSV和RF-FSV,并在Matlab2014a中编程实现。旨在从建模因子选择和模型方法建立两个方面,优化建模因子特征提取,提高森林蓄积量模型预测精度。以角规观测样地实测数据、森林小班二类调查数据、林相图数据为基础,使用以上三种模型结合Landsat8 OLI多光谱数据分林型进行了森林蓄积量反演建模预测。以决定系数R2和均方根误差RMSE为指标,分析了三种反演模型的训练能力和预测能力。研究结果表明：利用3种机器学习方法构建的结合光谱因子、地形因子、纹理因子反演模型能够提高森林蓄积量的预测精度。以上模型中,RF-FSV模型在针、阔、混三种林型中都表现出较强的预测能力,高于BP-FSV模型,高于或接近于LSSVM-FSV模型。RF-FSV模型在训练阶段,R2和RMSE针叶林中为0.839和13.953 3,阔叶林中为0.924和7.634 1,混交林中为0.902和12.153 9,预测阶段R2和RMSE在针叶林中为0.816和15.630 1,阔叶林中为0.913和4.890 2,混交林中为0.865和9.344 1。RF-FSV模型建模精度和预测精度较高,为森林蓄积量遥感反演估测提供了一种新的方法。