三种类型汽车的能耗和使用成本的建模研究

本文对电动,传统,混合动力三种类型汽车的能耗和使用成本问题进行了建模、求解及分析．首先定义了电动汽车的能量利用率ηE。根据能量守恒将所有电量转换成汽油消耗量,而传统车型则直接反映到汽油的消耗上,混合动力汽车则综合电动汽车和传统汽车的能耗模型,从而统一能耗水平评价标准．这样,我们就得到了三种不同类型车的能耗模型再进行模型求解以此来分析比较三种类型车哪一种节能效果好．对电动汽车来说,使用成本主要包括驾驶维护成本、报废处理成本,而对传统汽车来说,使用成本主要包括驾驶维护成本、报废处理成本、环境成本和其他成本,混合动力汽车则结合二者使用成本．因此,根据不同车型使用成本类型建立相应的数学模型,按照建立的公式,可以得到电动汽车的使用成本LCC1、传统汽车的使用成本LCC2和混合动力汽车的使用成本LCC3,从而进行模型求解．     

波束开角对多普勒测频结果的影响*

具有不同波束开角的声学多普勒测速设备未标定的测速结果存在偏差。基于水底椭圆散射模型研究了波束开角对声学多普勒测速结果的影响,对提高声学测速性能具有实际意义。水底椭圆散射模型下,足印上不同方位传播损失和散射强度存在差异,导致频谱不对称,测频结果偏小。利用不对称系数量化频谱不对称程度,若波束开角增大,方位不对称系数随之增大,测频偏差增大,推导了波束开角导致的测频偏差解析式。分析仿真和外场试验数据测频结果可知,不同多普勒频移下测频偏差和理论计算值相符,不同波束开角下实际测频偏差与理论公式计算的测频偏差均随波束开角增大而增大。     

Artificial Neural Networks Applied to the Quantitative Structure-Activity Relationship Study of Para-substituted Phenols

The artificial neural network (ANN) model with back-propagation of error is used to study the quantitative structure-activity relationship of para-substituted phenol derivatives between the biological activity and the physicochemical property parameters. Network parameters are optimized, and an empirical rule for dynamically adjusting the network's learning rate is proposed to improve the network's performance. The results showthat the three-layer ANN model gives satisfactory performance, with f(x)=1/(1+exp(-x)) as the network node's input-output transformation function and the number of hidden nodes 10. The network gives the mean square error (rose) of 0.036 when predicting the biological activity of 26 para-substituted phenol derivatives. This result compares favourably with that obtained by the conventional methods.     

人工神经网络用于对位取代苯酚定量构效关系的研究

本文利用误差反向传播(BP)的人工神经网络(ANN)模型研究了对位取代苯酚衍生物的生物活性与其结构及物理化学性质参数之间的定量构效关系。优化了ANN模型的参数设计,提出了动态调节网络学习速率的经验规则以改善网络的性能。采用f(x)=1/(1+e~(-x))作为网络节点的输入输出转换函数的三层神经网络具有较佳性能,当取隐含节点数为10时,该网络预测26个对位取代苯酚衍生物生物活性的均方误差(mse)为0.036,优于常规构效关系预测结果。