同位素热源高温-冲击复合环境试验

为了考察深空探测器同位素热源模拟样品在高温–冲击复合环境下的环境可靠性,研制了一套高温–冲击复合环境试验装置。该装置由温度加载系统、冲击试验系统、带有热防护功能的夹具和控制系统等组成。该装置可完成室温约500℃热载荷加载。利用该试验装置对同位素热源模拟样品进行了500℃、5 000次的高温–冲击复合环境试验考核,获得了产品温升响应曲线、冲击波形图等相关试验信息。试验结果表明该试验装置能够进行高温–冲击复合环境试验。     

基于SAGWO算法的UCAVs动态协同任务分配

通过分析无人作战飞机（UCAV）优势概率和任务联合威胁以及定义任务时间,建立了以目标价值毁伤、编队损耗代价和时间消耗为性能指标的多无人作战飞机（UCAVs）多约束动态任务分配数学模型,采用改进的灰狼优化（GWO）算法对数学模型进行求解;针对基本GWO算法求解早熟的缺点,给出了自适应调整策略和跳出局部最优策略,引入了二次曲线控制方法;对UCAVs动态协同任务分配特点,设计了目标任务序列编码方式,提出了基于自适应GWO（SAGWO）算法的UCAVs多目标动态任务分配方法。从静态与动态2种情况分别对该方法进行仿真验证;仿真结果表明,该方法是有效的,相比较于其他算法,其优化过程快速精准。      

语音模式中基于启发式搜取的快速匹配算法

语音模式匹配是语音识别技术的关键步骤之一。本文介绍了如何运用SA算法实现语音模式的快速匹配的思想。SA算法与传统的动态时间弯变(DTW)算法相比较具有计算量大大减少而系统识别率几乎不降的特点。     

快速合并分类算法的优化

本文介绍一种改进的快速合并分类算法及其在微机上的实现。在用各种比较操作进行分类的算法中,著名的合并分类(Merge Sort)法的分类速度最快,但它要以较大的额外存贮空间为代价。本算法与合并分类法相比,速度更快,而需要的额外存贮空间却减少了50％～67％。实验结果表明,N在500～1500范围内,速度提高了4.7％～8.5％,所需的额外存贮空间减少了51.2％～65.9％。本算法已在IBM PC机上用BASIC语言实现,可把本程序作为一个子程序加以调用。     

正规基上的快速乘逆算法

根据有限域GF(2~m)上的正规基表示,本文提出一种新的快速乘逆算法。该算法把计算乘逆的复杂忭从O(m)降低到O(1/m)。     

基于GMF方法的捕风一号风速反演分析

全球尺度高时空分辨率海面风场探测是当前全球气象研究及预报预测领域的关注热点之一,传统海面风场探测技术存在测量区域有限,且受天气环境限制明显等问题.基于全球导航卫星系统-反射(GNSS-R)测量技术风速反演原理,以捕风一号1级数据产品为输入,欧洲中期天气预报中心再分析风速数据为参考风速,采用地球物理模型函数(GMF)方法...     

基于PCC-LSTM模型的短期负荷预测方法

短期负荷预测是电网合理调度和平稳运行的基础。为提高短期负荷预测精度,提出了一种基于Pearson相关系数(PCC)和长短期记忆(LSTM)神经网络的短期负荷预测方法。该方法运用Pearson相关性分析对原始多维输入变量组成的时间序列进行相关性分析,选取与电力负荷数据相关性较大的影响因素作为输入量,实现原始数据的降维和选优;再通过LSTM神经网络结合Adam优化算法,对与电力负荷相关性较大的影响因素和负荷实际输出序列之间的非线性关系建立网络模型。以嘉捷BOX和重庆丽苑维景国际大酒店的负荷数据作为实际算例,并与Prophet、LSTNet、门控循环(GRU)神经网络模型方法进行对比。结果表明:所提PCC-LSTM模型预测精度均在91%以上,最高可达95.44%,有效提高了负荷预测的精度。      

冰雪天气下基于MFOA-KELM残差修正的跑道温度混合预测

道面温度短时精准预测是跑道积冰预警的关键因素之一, 为了解决单一机理预测模型随预测时间延长而造成误差累积的问题, 提出了一种冰雪天气下跑道温度混合预测方法。将跑道温度机理预测模型与核极限学习机(KELM)相结合, 建立一种数据驱动修正残差的跑道温度机理预测模型。针对果蝇优化算法(FOA)收敛速度慢、易陷入局部最小值的问题, 引入权值更新函数和距离扩充因子, 调整果蝇的全局寻优效果, 避免陷入局部极小值。利用改进的果蝇优化算法(MFOA)对KELM的正则化参数与核参数联合优化, 以冰雪天气下跑道温度实际数据为例, 建立基于改进果蝇优化核极限学习机(MFOA-KELM)的跑道温度混合预测模型, 并在不同时间尺度下对该混合预测模型进行仿真测试。实验结果表明:与单一机理预测模型相比, 当预测时长为120 min时, MFOA-KELM混合预测模型的平均绝对误差至少减小了61.43%, 在残差阈值为±0.5℃时, 平均预测准确率为91.25%。可见, MFOA-KELM混合预测模型具有更高的预测准确性, 研究结论显示该混合预测方法能够为机场跑道温度短时精准预测提供新思路。