水生捕食线虫真菌季节性分布及多样性研究

从云南滇池附近的三块水稻田和三口鱼塘中分离到的捕食线虫真菌种类比较相似,但从鱼塘中分离到的捕食线虫真菌种类要比水稻田中的少,两个生境中的优势种也不同.水稻田中,春季和秋季的优势种为Arbrostrys conoides,夏季和冬季的优势种为A.oligospora,秋季的捕食线虫真菌种类最多,春季次之,夏季和冬季最少;鱼塘中,春季、夏季和冬季的优势种均为Dactylellina ellipsosporum,秋季的优势种为A.ver-micola.夏季的捕食线虫真菌种类最多,其他三个季节的捕食线虫真菌种类相差不大.从湖南湘江衡阳段的300份泥土样品中,共分离、鉴定出17种水生捕食线虫真菌,东洲岛和新大桥水域分离的水生捕食线虫真菌比李坳水域分离的种数少.     

资源型城市产业转型风险动态评估的贝叶斯模型研究

在资源型城市产业转型前准确地对资源型产业体系进行评估,已成为资源型城市产业转型前期工作的关键所在。分析了资源型城市产业转型在产业、市场、战略、管理、人力资源、法律政策等各方面存在的不确定性,建立了资源型城市产业转型风险动态评估的贝叶斯模型,不仅能够评估资源型城市转型的总体风险,还可以分别评估各个产业可能引起风险的程度,为资源型城市产业转型风险评估提供了客观依据。     

大型地下空间综合交通枢纽中巨型斜柱长期沉降的监测及预测分析

结构及其重要构件的长期沉降是影响地下空间综合交通枢纽施工安全的关键因素之一,对其开展监测与预测具有重要的工程意义。以深圳市黄木岗大型地下空间综合交通枢纽为研究背景,采用自动化监测系统,首先监测了12轴巨型斜柱施工后的119期长期沉降,分析其长期沉降规律,并评判其预警状态。监测结果表明,斜柱施工后,长期的沉降规律为先在安全状态内小幅波动,再增大至黄色预警状态,最后在安全状态与预警状态之间小幅波动。然后,利用109期监测数据分别构建斜柱沉降的反向传播(back propagation, BP)神经网络模型和遗传算法-BP(genetic algorithm-BP,GA-BP)神经网络模型,并预测之后10期的斜柱累计沉降量以对比验证两种模型效果。结果表明,相比BP神经网络模型,GA-BP神经网络模型的预测值与实测值更吻合。     

基于CEEMD-BiLSTM-RFR的短期光伏功率预测

由于短期光伏预测中气象因素的时间尺度不同,直接分析其对光伏功率的相关性,易忽略时间尺度的影响,进而导致预测模型误差。为提高光伏功率预测精度,构建了预测模型。首先,利用互补集合经验模态分解(complementary empirical mode decomposition, CEEMD)将光伏序列进行分解,得到在不同时间尺度上的光伏分量;然后,通过Pearson相关系数分析各光伏分量与空气温度、太阳辐射度、风速、风向和空气湿度的关系,对于强相关分量建立关于气象因素的随机森林回归(random forest regression, RFR)预测模型,弱相关分量直接通过双向长短期记忆网络(bidirectional long short-term memory neural network, BiLSTM)进行预测;并将预测求和输出。通过安徽省蚌埠市光伏电站7月实测数据进行验证,实验结果表明,所提预测模型CEEMD-BiLSTM-RFR相比传统预测模型有较好的预测精度。     

PCA-BP模型下皖北城市群PM2.5浓度分析

为探究皖北城市群大气污染物在不同地域、不同时间下的分布规律以及影响空气中PM2.5浓度的相关变量,结合2018-2021年安徽省生态环境厅统计数据及相关地域资料,采用主成分分析(PCA)法按时间段长短及季节性变化分别选取月度数据与年度数据对空气质量的影响因子做相关性分析,对比分析不同季节下空气污染物PM2.5、PM10的浓度及其它空气污染物的变化,构建基于PCA算法的反向传播神经网络 (BP),建立PCA-BP模型并采用交叉-验证法提高模型精度,对大气中的污染物PM2.5浓度做短期预测。实验结果表明:PM2.5浓度的主要影响因子为PM10、CO、NO2、SO2;皖北地区PM2.5含量整体在冬季偏高;预测模型的精度在夏季与秋季较高,冬季较低,四季的预测精度R2分别达到0.924、0.958、0.935、0.794。     

基于胜率预测的空战关键节点确定方法

以提高空战训练评估效率为目标,着眼于确定影响战局走向的关键节点,提出了一种基于胜率预测的空战关键节点确定方法。首先,基于长短期记忆网络设计并训练胜率预测模型,以实时评估空战态势;其次,引入最大类间方差法确定关键节点阈值,并将相邻时刻胜率差绝对值大于阈值的时间点确认为关键节点。实验结果表明,所设计的胜率预测模型预测胜率准确,所采用的关键节点阈值选择方法合理,总体方案具有可行性和泛化性。     

基于图Transformer网络的城市路网短时交通流预测模型

针对城市路网短时交通流预测问题,在考虑路网交通状态时空相关性基础上,提出一种基于图Transformer（graph transformer,Graformer）的预测方法。该方法将多条路段的交通状态预测问题转化为图节点状态预测问题,针对区分相同结构的空间路网结构图,本文将带有边的图同构网络（graph isomorphism network with edges,GINE）和Transformer网络相结合,对交通状态在路网层面的时空相关性进行建模,从而实现城市路网短时交通流预测。具体来说,Graformer模型首先利用长短期记忆网络（long short-term memory,LSTM）对交通数据的时序信息进行预处理,接着采用基于GINE与Transformer的全局注意力机制提取交通数据的空间特征,最后实现路网各路段交通流的同步预测。通过使用PeMS数据集进行实验验证,结果表明提出的Graformer模型在各项性能指标上均优于对比模型,证明了其作为一种可靠且高效的路网短时交通流预测方法的有效性。     

车辆变速轨迹跟踪横纵耦合控制方法

针对变化速度下车辆轨迹跟踪精度以及实时性差的问题,提出一种基于模型预测控制的横纵耦合控制方法。在三自由度车辆动力学模型中,将车轮驱动力与前轮转角作为控制量,以单控制器形式实现车辆横纵向运动的综合控制,并且在考虑耦合特性的基础上,设计目标函数与可变权重系数,求解最优横纵向控制量。并且基于五次多项式理论,设计一种变速双移线轨迹以验证控制器综合轨迹跟踪能力。实验结果表明,该控制器能有效跟踪变化车速并且保持高轨迹跟踪精度与良好的实时性。     

变系数的强反射分离技术及应用

基于地震多子波分解的强反射识别与分离技术已广泛应用于地震解释性处理环节中,该技术能够去除强屏蔽影响,提高隐蔽储层的识别精度。针对多子波分解技术在分解效率和分解精度上的问题,引入地震信号的瞬时特性作为初始值,根据小波参数之间的关系减少局部扫描参数,提出了一种三参数快速子波分解技术提高了子波分解精度和效率。通过模型正演分析了地层厚度与强屏蔽能量的关系,建立了地层厚度与分离系数的关系,探索了一种变系数的强反射分离应用思路。将新技术和新思路应用于实际地震数据,分离结果削弱了强屏蔽的影响,突出了隐蔽储层的有效信号,提高了储层预测精度;由于强反射分离过程充分考虑了不同厚度的煤层与分离系数的关系,分离结果更加符合实际地质情况。     

基于VMD-LSTM-IPSO-GRU的电力负荷预测

为了挖掘电力负荷数据中的潜藏信息,提高负荷预测的精度,针对电力负荷强非线性、非平稳性等特点,提出一种基于变分模态分解(variational mode decomposition,VMD)、优化长短期神经网络(long-term and short-term memory network,LSTM)、改进的粒子群算法(improve particle swarm optimization,IPSO)优化门控循环单元(gated recurrent unit neural network,GRU)的混合预测模型。首先,使用相关性分析确定确定输入因素,再将负荷数据运用VMD算法结合样本熵分解为一系列本征模态分量(intrinsic mode fuction,IMF)和残差量,更加合理地确定分解层数和惩罚因子;其次,根据过零率将这些量划分为低频和高频,低频分量使用LSTM网络,高频分量利用IPSO-GRU网络分别进行预测;最后,将预测结果重构得到电力负荷的最终结果。仿真结果表明,相对于其它常规模型,该混合模型可有效的提取模态特征,具有更高的预测精度。