排序方式: 共有57条查询结果,搜索用时 0 毫秒
11.
12.
基于时变阈值过程神经网络的太阳黑子数预测 总被引:2,自引:0,他引:2
太阳黑子活动直接影响着外层空间环境的变化,为保证航天飞行任务的安全必须对其进行有效预测.为此,提出了一种基于时变阈值过程神经网络的时间序列预测模型.为简化模型的计算复杂度,开发了一种基于正交基函数展开的学习算法.文中分析了模型的泛函逼近能力,并以Mackey-Glass时间序列预测为例验证了所提模型及其学习算法的有效性.最后,将该预测模型用于太阳活动第23周太阳黑子数平滑月均值预测,取得了满意的结果,应用结果同时表明:所提预测方法与其他传统预测方法相比预测精度有所提高,具有一定的理论和实用价值.关键词:太阳黑子数时变阈值过程神经网络时间序列预测泛函逼近 相似文献
13.
14.
15.
不同温度下橡胶的动态力学性能及本构模型研究 总被引:4,自引:0,他引:4
利用带有温度调控装置的SHPB(Split Hopkinson Pressure Bar)试验装置和岛津材料试验机,测定了CR橡胶在不同温度(-20℃~50℃),不同应变率(5×10-3/s~3×103/s)条件下的应力应变曲线.结果表明:CR橡胶的力学性能具有温度敏感性和应变率敏感性,两者有一定的等效性,且在动态条件下,-20℃时的应力应变曲线表现出向\"玻璃态\"转变的特性.本文在以前研究者提出的率相关本构模型的基础上进行了改进,同时考虑了温度效应的影响,提出了一个能描述CR橡胶在不同温度和应变率下的一维压缩力学行为的本构模型,该模型和试验数据有很好的一致性,为数值模拟提供了重要的依据. 相似文献
16.
A recent experimental breakthrough identified the last bound neutron-rich nuclei in fluorine and neon isotopes. Based on this finding, we perform a theoretical study of Z = 9, 10, 11, 12 isotopes in the relativistic mean field(RMF) model. The mean field parameters are assumed from the PK1 parameterization, and the pairing correlation is described by the particle number conservation BCS(FBCS) method recently formulated in the RMF model. We show that the FBCS approach plays an essential role in reproducing experimental results of fluorine and neon isotopes. Furthermore, we predict ~(39)Na and ~(40)Mg to be the last bound neutron-rich nuclei in sodium and magnesium isotopes. 相似文献
17.
利用氧化石墨烯作为可饱和吸收体,在被动锁模全正常色散掺镱光纤激光器中研究了多脉冲的现象,在同一抽运功率不同偏振态下,实验获得了矩形脉冲谐波锁模、耗散孤子谐波锁模、准谐波锁模,脉冲峰值周期性调制,脉冲簇、脉冲束、混沌多重脉冲的多脉冲现象,插入激光腔内的2nm窄带滤波器具有限制增益带宽、对脉冲塑形、诱导多脉冲产生的作用,调节偏振控制器相当于改变腔内增益,是实现不同类型多脉冲现象的主要原因,本实验研究有利于加深对多脉冲动力学行为在正常色散区域氧化石墨烯锁模掺镱光纤激光器中的理解。 相似文献
18.
探测大气中CO2的Raman激光雷达 总被引:1,自引:0,他引:1
基于大气激光后向散射光谱,研究和设计了探测大气CO2浓度的Raman激光雷达,其发射机采用Nd∶YAG激光的三倍频354.7nm作为工作波长,发射的单脉冲能量350mJ,重复频率20Hz;接收机采用了光电倍增管(量子效率25%)和光子计数器(计数速率200MHz),探测CO2的Raman散射371.66nm(频移1285cm-1)信号,(1小时累加)近地面2.5km以内信噪比不小于8.采用组合滤光片来抑制强的354.7nm Mie-Rayleigh后向散射和氧气375.4nm Raman后向散射对信号的严重干扰. 比较分别来自大气CO2和参考气体N2的Raman后向散射回波,可反演出大气中CO2的相对浓度.关键词:大气光学激光雷达Raman散射光谱参考气体Mie-Rayleigh散射 相似文献
19.
20.
Time series prediction methods based on conventional neural networks do not take into account the functional relations between the discrete observed values in the time series. This usually causes a low prediction accuracy. To solve this problem, a functional time series prediction model based on a process neural network is proposed in this paper. A Levenberg-Marquardt learning algorithm based on the expansion of the orthonormal basis functions is developed to train the proposed functional time series prediction model. The efficiency of the proposed functional time series prediction model and the corresponding learning algorithm is verified by the prediction of the monthly mean sunspot numbers. The comparative test results indicate that process neural network is a promising tool for functional time series prediction. 相似文献