广东省能源需求预测模型构建及实证分析

为了对广东省的能源需求进行准确的预测,首先分析了影响广东省能源需求的各种因素,构建了预测指标体系.在此基础上,针对能源系统非线性等复杂系统特征,结合粒子群算法和BP神经网络的优点,构建了改进的PSO-BP神经网络的预测模型,并通过主成分分析法对指标体系进行数据降维,以降低神经网络的规模和复杂程度.以广东省1985-2013年的能源需求数据进行模拟与仿真,并对2014-2018年的能源需求量进行预测,理论分析和实证研究表明,该方法能够很好的反映广东省能源需求的特征,预测结果较为准确合理.     

关于四元二次型表整数个数的均值估计

利用数论函数的可乘性和狄里克雷卷积方法,研究了用四元二次型表整数个数的均值估计,并且得到了相应的渐近公式,推广了相关结果.     

基于布谷鸟算法与BP神经网络的煤灰变形温度预测

以120种煤样为数据基础,采用布谷鸟算法(CS)优化BP(Back Propagation)神经网络,建立了CSBP模型对单煤、煤掺添加剂和配煤等3类样本的煤灰变形温度(DT)样本进行预测。模型以煤灰化学成分及其组合参数等13个变量作为输入量,以变形温度(DT)作为输出量。CSBP模型预测结果与BP神经网络模型预测结果进行对比发现,无论是单煤、煤掺添加剂还是配煤,CSBP模型较BP模型对煤灰变形温度(DT)的预测都更加精准,平均相对误差分别达到了3.11%、4.08%和4.22%。另外,对比3类样本预测结果发现,无论是CSBP模型还是BP模型,相比单煤预测而言,煤掺添加剂及配煤的预测误差都有明显的增加。     

基于神经网络的NMR谱图自动相位校正综合算法

目前,已有多种算法被应用在核磁共振谱图自动相位校正中,由于各种算法本身特性和所基于谱图的具体特性的差异,不同算法对于特征不同的谱图的适用性也各不相同. 针对这一情况,文在综合研究多种现有自动相位校正算法的基础上,提出了一种基于神经网络的,可以根据谱图的特征来选取最合适的算法进行自动相位校正的综合算法. 实验表明,本算法可以获得比以往方法更好的计算结果.     

一维纳米材料Cs0.2WO3和W18O49长度与红外吸收关联性的Mie散射理论推导及实验验证

研究表明二元、三元钨基氧化物的红外吸收性能具有尺寸和形貌依赖性,但还没有普适性的物理学机理及计算方法。本工作基于Mie散射理论,推导了一维材料的长度与光吸收性能之间的关系,通过理论推导计算和实验验证,探究了纳米钨基氧化物的红外吸收性能与颗粒长度的关联性。首先,基于Mie散射理论的推演和计算,揭示了增加纳米Cs_(0.2)WO_3和W_(18)O_(49)材料长度可适度提高其近红外吸收性能的规律。其次,测试了合成的不同长度Cs_(0.2)WO_3纳米棒和W_(18)O_(49)纳米线的红外吸收性能,结果与理论计算及模拟相吻合。其中在2 500～20 000 nm波长范围内Cs_(0.2)WO_3纳米棒和W_(18)O_(49)纳米线随长度的变化趋势不同,Cs_(0.2)WO_3纳米棒的红外吸收性能随长度的增加而增加,而W_(18)O_(49)纳米线的红外吸收性能随长度的增加而减弱。Cs_(0.2)WO_3纳米棒和W_(18)0O_9纳米线的光热效应均随长度的增加而增加,增幅分别达18.5%和12.7%,再次验证了长度效应。     

纯电动汽车磷酸铁锂电池组的建模及优化

鉴于传统神经网络和支持向量机机理复杂、计算量大的缺陷,很难实时跟踪磷酸铁锂电池组复杂快速的内部反应,影响电池荷电状态的估算精度,提出应用一种简单、有效的极限学习机对一额定容量为100Ah、额定电压为72V的纯电动汽车磷酸铁锂电池组建模,并分别与BP神经网络、RBF神经网络、支持向量机进行对比。随后,以学习时间和泛化性能为优化目标,应用粒子群方法寻找最佳隐层节点个数。结果表明,基于极限学习机的磷酸铁锂电池组模型的学习时间、泛化性能优于BP神经网络、RBF神经网络、支持向量机;隐层节点优化后,模型的学习时间和泛化性能达到最优。     

基于碳纳米管分子封装的一维电子波函数扫描

利用第一性原理,设计并研究了一类基于单臂碳纳米管的分子封装的分子体系．计算表明,半环葫芦脲类化合物可有效封装碳纳米管,引入微弱的分子间相互作用,对碳纳米管的电子态能级结构分布 仅带来微弱影响．半环葫芦脲分子与碳纳米管在管径方向的一维电子态波函数充分耦合,进而有效改变了一些前沿分子轨道的波函数在管径两头的分布以及相应的电子布居浓度．基于电子输运的模拟,发现半环葫芦脲分子在碳纳米管一维方向滑动时的某个电压下的电导变化可准确反映电子态波函数在相应分子导电通道上的一维分布信息．     

变温傅里叶红外光谱技术研究硬脂酸C-H伸缩振动

采用傅里叶红外光谱技术研究了温度对于硬脂酸C-H伸缩振动、分子脂肪链构象改变和分子间作用力的影响。运用变温红外技术在293~393K范围内,分别测定了硬脂酸C-H的一维红外光谱、二阶导数红外光谱、四阶导数红外光谱和去卷积红外光谱。结果表明:1在293~333K范围内,一维红外光谱中2 965,2 870cm-1附近的弱吸收谱带分别归属于甲基的不对称伸缩振动模式νas(-CH3)和对称伸缩振动模式νs(-CH3),相应的导数光谱及去卷积红外光谱能提高一维红外谱的分辨率;2在293~333K范围内,硬脂酸脂肪链处于全反式构象,在348~353K范围内,硬脂酸分子脂肪链构象由全反式构象向无序构象转变;3随着测量温度的升高,硬脂酸分子间的作用力不断降低。     

分子荧光-基于主成分分析优化输入变量的径向基函数神经网络法测定尿液中的诺氟沙星

将主成分分析用于优化径向基函数神经网络的输入变量,用于提高神经网络模型的预测能力。方法能有效地解决分子荧光光谱法测定尿液中诺氟沙星过程中尿液中内源性荧光物质的干扰。在优化条件下,径向基函数神经网络模型对尿液中诺氟沙星的平均预测误差为15.34%,神经网络结构为2∶3∶1。方法已用于测定尿液中的诺氟沙星。     

卷积神经网络在流场重构研究中的进展

近年来, 随着深度学习在图像处理、语音识别、自动驾驶、自然语言处理等领域迅速发展, 该技术也被越来越广泛地应用于处理具有复杂非线性、高维度、大数据量等特点的流体力学方向. 传统的方法无法有效地处理这些庞大的数据, 深度学习因其具有强大的函数拟合能力, 可以从大量的数据中挖掘有用的信息. 当前, 流体力学深度学习技术有了初步的一些研究成果, 在流动信息特征提取、多源数据信息融合及流场的智能重构等方面具有重要的工程价值, 其应用潜力逐渐得到证实. 如何利用地面风洞试验、数值模拟及飞行试验获取的数据进行深入挖掘, 快速智能感知及重构流场, 可为主动流动控制提供重要指导. 本文主要从深度学习不同类型的网络结构出发探讨了卷积神经网络在流场重构中的研究进展, 文章首先介绍卷积神经网络的一些基本概念以及基本网络结构, 之后简要介绍流场超分辨率重构网络、端到端的映射网络、长短期记忆网络的基本结构与理论, 并详细归纳出他们的改进形式在流场重构领域的一系列研究进展与成果, 最后对文章做出总结并探讨了流场重构深度学习技术所面临的挑战与展望.