大型繁忙机场场面离场交通流拥堵特征分析

阐明机场场面交通流时空演变规律,揭示离场交通流拥堵机理是科学制定场面交通流管控策略的重要基础。采用元胞传输机理论,建立线性滑行道元胞、机坪发散/交叉元胞、汇聚元胞的交通流传输模型,并基于NetLogo系统动力学仿真平台,以广州白云国际机场为例验证了模型的有效性,进而推演分析了离场交通流基础相变特征及其影响机理。研究表明,场面离场交通流存在自由态、亚稳态、拥堵累积态和拥堵死锁态4种基础相态,指出调节与进场率相协调的推出率是有效控制离场交通流密度,缓解场面拥堵的重要手段。研究结果可为大型繁忙机场场面交通智能管控提供一定的理论基础和决策参考。     

基于Agent模型的机场网络延误预测

准确可靠的机场网络航班延误预测是科学认知空中交通运行态势,动态精准实施国家空域系统容流协同调配策略的重要依据。提出了基于Agent的机场网络延误模型,表征机场网络系统中各元素及子系统间的交互作用下的延误特征涌现。针对机场节点动态容量、预计起飞时间、最小飞行与周转时间等Agent模型中的关键参数,适应性选用了贝叶斯估计、模糊k近邻等数据挖掘方法建立参数模型,并采用2015—2017年全美历史航班和气象数据进行训练学习。为综合评价模型性能及泛化能力,选取全美2018年3个不同延误程度的典型日进行测试。实验结果表明,在全美34个核心机场组成的网络中,各节点在4小时预测区间内延误最大误差不过27.9 min,其中约80%的节点误差小于5 min,验证了所提延误预测模型在时空范围内的准确性和稳健性特征。另外,通过与其他模型对比,展示了本模型优良的延误预测性能。     

基于GA-SVM的GNSS-IR土壤湿度反演方法

针对提高大范围土壤湿度测量精度的问题,研究了土壤湿度的全球卫星导航系统干涉测量法（GNSS-IR）,提出了一种基于支持向量机（SVM）的土壤湿度反演模型,利用遗传算法（GA）的自动寻优功能寻找SVM的最佳参数。结果表明,GA-SVM模型在测试集上得到的土壤湿度反演值与实测值的平均绝对百分比误差（MAPE）仅为0.69%,最大相对误差（MRE）为1.22%,线性回归方程决定系数达到了0.956 9。进一步与统计回归、粒子群优化的SVM模型（PSO-SVM）及反向传播（BP）神经网络方法进行对比,结果说明:在样本数目有限的情况下,GA-SVM方法更适用于土壤湿度的GNSS-IR技术反演,且反演精度较高,泛化性能良好。      

航天测量船外测数据误差分离与特性分析

航天测量船在航天测控中占有非常重要的地位,为提高航天测量船外测数据的处理精度,结合样条函数和小波方法,提出了航天测量船外测数据误差分离方法。该方法在提高处理精度的同时,成功地分离出随机误差和修正残差,显著地改进了现有的船载外测数据修正结果。并进一步对修正残差和随机误差进行了特性分析与建模。实例表明这是一种有效的方法。     

双频激光干涉仪在SMART-CNC曲面磨床几何误差参数辨识中的实验研究

在对SMART-CNC磨床几何误差建模及对某双频激光干涉仪工作原理分析的基础上,针对该磨床的误差参数辨识进行了实际测量中的应用,并以检测结果作为数控机床误差补偿的前提进行几何误差补偿。     

基于NetLogo的终端区交通流仿真

空中交通流仿真可用于分析空中交通流特性及其要素之间的相互关系,以揭示空中交通流随时间和空间的变化规律,阐明空中交通现象及其机理。采用多智能体仿真工具NetLogo建立终端区进场交通流仿真模型,并实例化描述了工具在空中交通实验中的建模和实验过程。结果表明,基于智能体的仿真建模工具可用于空中交通仿真实验,较好地再现真实世界的交通流特性。NetLogo是一个方便实用的空中交通仿真建模研究工具。     

MATLAB在运载火箭遥测事后数据处理中的应用

运载火箭遥测事后处理的目的是监测分析末级火箭推进剂的排放过程,为减少星箭分离后末级火箭爆炸引起的空间碎片提供技术支持。针对遥测数据处理过程的特点和难点,结合MATLAB简单、快捷、准确及结果可视化等优点,提出用MATLAB语言解决关键技术的全新遥测数据处理方法,并阐述其在运载火箭遥测事后数据处理中文件管理、遥测数值计算、图形显示等方面的应用。该方法的应用解决了遥测数据处理的难点,结果真实有效,为今后的遥测数据处理提供了一种新思路。     

一种基于标识的增强现实交互方法

增强现实系统中,不同标识上虚拟物体交互行为比较单一,且大多根据标识问的距离控制交互,当系统中标识增多时,系统的运行效率将大大降低。本文将虚拟现实中的感知技术引入到系统中,为虚拟物体建立了一种基于空间距离的感知模型,将标识间的距离分级,虚拟物体对处于自己感知域内不同距离级别上的其它虚拟物体采取不同的交互行为。实验结果表明,该方法可以丰富虚拟物体的交互行为,同时满足系统实时性需求。