基于EMD与神经网络的机械故障诊断技术

经验模式分解 (EMD)是分析非线性、非平稳信号的有力工具 ,它将信号分解为突出了原信号的不同时间尺度的局部特征信息的内在模函数 (IMF)分量。本文通过将各 IMF分量输入到 BP网络中进行训练学习和故障诊断 ,比直接输入原信号可以提高 BP网络对故障诊断的准确率 ,而且减少了训练时间。     

二次特征值问题的最佳向后扰动分析

二次特征值问题 (QEP)的主要的求解方法之一是转化为广义特征值问题 (GEP) ,然后用求解广义特征值的方法 (比如 QZ方法 )求解。本文研究由此获得的计算解的范数意义下的最佳向后扰动分析 ,所得结果是 Tisseur最近所得结果的加强。     

黄海大头鳕幼鱼的生长和分布特征

作为黄海的代表性冷温性鱼类,大头鳕(Gadus macrocephalus)的资源量近年逐渐上升趋势,其中幼鱼所占比重较大,种群丰度及补充都受到黄海冷水团的影响,作为2龄性成熟鱼种,探究其当年生和非当年生幼鱼分布和生长的季节变化及与黄海冷水团的关系对了解大头鳕的资源变动有重要意义。本研究基于2016年10月、2017年5和8月的调查结果,分析了黄海冷水团存在时期的海洋环境特征与大头鳕幼鱼分布及生长特征的关系。研究显示,春季,幼鱼主要分布于青海渔场、石岛渔场和连青石渔场,非当年生幼鱼和当年生幼鱼随栖息地水深分别呈东西两区块分布。夏季,幼鱼主要位于122.00°E以东、底温低于10℃的黄海中部较深海域,有少部分分布于黄海北部,这与黄海冷水团强盛时期南北低温中心的位置有关。秋季,黄海北部大头鳕幼鱼的渔获量明显减少,仅在石岛渔场和连青石渔场大头鳕的种群密度仍较高。广义相加模型(Generalized Additive Models, GAM)分析结果显示,温度和盐度对大头鳕幼鱼的资源丰度指数(单位捕捞努力量渔获量(Catch Per Unit Effort, CPUE))有显著影响,当栖息地水域盐度在31.90和32.80附近,底温在8.5℃左右时,大头鳕幼鱼的CPUE较高。体长-体重关系显示,春季,幼鱼呈负异速生长,夏秋季呈正异速生长,黄海冷水团强盛时期较高的有机质含量及初级生产力造成的丰富饵料可能是导致大头鳕夏秋季b值较高的原因,因此黄海冷水团的季节变化对大头鳕的分布和生长均有显著影响。     

关于GAOR、GSSOR的特征值关系式

对两种广义迭代方法ＧＡＯＲ和ＧＳＳＯＲ分别导出了其迭代矩阵和Ｊａｃｏｂｉ迭代矩阵的特征值之间的关系式，这些结果推广了已有的结果     

基于BP人工神经网络的水体遥感测深方法研究

利用Landsat7ETM＋遥感图像反射率和实测水深值之间的相关性,建立了动量BP人工神经网络水深反演模型,并对长江口南港河段水深进行了反演.结果表明：具有较强非线性映射能力的动量BP神经网络模型能较好地反演出长江口南港河段的水深分布情况;由于受长江口水体高含沙量的影响,模型对小于5 m的水深值反演精度较高,而对大于10 m的水深值反演精度较低.     

山东省大中型水库水化学性状研究──几种主要水化因子的变化及其在评价水库鱼产力中的作用

本文通过对山东省３８座代表性大、中型水库总氮（ＴＮ）、总磷（ＴＰ）、化学耗氧量、硬度及电导率（λ）五种主要水化因子连续两年（１９８９～１９９０）的调查与研究，探讨了水化因子与水库鱼产力的关系。用反映鲢、鳙生长状况的综合生长指数（ＧＩ）作为水库鱼产力的指标。它与水化因子相关分析表明，总磷是山东省３８座水库鱼产力的主要影响因子。提出ＧＩ与总磷、总氮及电导率等水化因子的逐步回归方程关系非常显著。证明利用水化因子作为水库鱼产力的评价指标是可行的。并指出：同一水库的相同水化因子存在年间差异，其主要原因在于降雨量和水库进水量的不同，鉴于此．同一水库鱼产力也存在年间差异。     

基于BP神经网络的地图数字化误差纠正

由于在数字化采集过程中不可避免地会引入系统误差和异常误差,因此消除和削弱这些误差的影响是提高空间数据质量的关键。然而由于图纸变形不均匀,扫描误差又极其复杂,用常规的多项式拟合技术只能消除部分有规律的系统误差,很难完全消除它们对地图数字化坐标的影响。BP神经网络是一个高度非线性映射系统,能以任意精度逼近。结合地图数字化坐标改正的特点,本文给出了基于BP神经网络地图数字化坐标误差纠正的方法,并通过实例验证了该方法的有效性。     

成都地区大气平均温度建模及其在GPS/PWV计算中的应用研究

地基GPS气象学的关键技术是在于通过垂直方向上GPS信号的湿分量延迟值来确定大气可降水量-PWV,而这两个物理量间进行转换时需要用到一个关键性的参数——大气加权平均温度。本文首先讨论了估算加权平均温度的几种方法,然后利用成都地区2005年全年的大气探空数据,采用回归分析方法,建立了适合成都地区的大气加权平均温度模型,精度为±2.21K。最后将该公式应用到成都地区PWV的计算中,得到了非常理想的效果。     

简化模糊H-ARTMAP神经网络在高光谱遥感分类中的应用

人工神经网络作为一种不需估计类别分布参数的遥感影像分类方法,能够克服分类中的不确定性,提高分类精度。模糊ARTMAP人工神经网络具有稳定、泛化性能好、支持增量式学习等特点,通过对简化模糊AR-TMAP神经网络和H-ARTMAP神经网络的分析和集成,构造了一种用于高光谱遥感影像分类的简化模糊H-ART-MAP网络。实验证明该方法在分类效率、运算时间和分类精度等方面都优于最大似然分类、BP神经网络、最小距离分类、光谱角制图模型等分类方法。     

基于分区的局域神经网络时空建模方法研究

区域数据表现为两种尺度的空间特性:反映全局特征的空间依赖性和反映局域特征的空间波动性.空间波动性表现为空间数据在局部地区的聚集或高低交错现象.在研究区域数据时空预测性建模时,从降低数据的空间波动和不平稳性对模型预测能力的影响角度出发,提出了一种基于分区的局域神经网络时空非线性建模的思路.分区过程由基于空间邻接关系的K-means聚类算法完成.不同的分区方案通过相关性、波动性、紧凑性等指标进行评价和优选.在确定最优分区方案的基础上,对各子区分别采用两层前馈网络进行建模,模型的输入不仅要考虑本区内单元的作用,而且要考虑相邻子区的边界效应.各神经网络模型的时空预测能力通过平均相均差和动态相似率等指标进行衡量.最后,通过对法国94个县每周流感报告病例的时空建模分析表明,与全局神经网络模型相比,基于分区的局域神经网络模型具有更好的预测能力.