一种基于STL-Prophet-Informer模型的太阳电池阵多变量趋势预测方法

为了提高太阳电池阵多变量预测的精度,解决阳电池阵遥测参数存在周期波动与增长性互相耦合的问题,提出一种基于STL-Prophet-Informer模型的太阳电池阵多变量预测算法.该算法首先应用局部加权周期趋势分解算法(seasonal and trend decomposition procedure based on loess, STL)对太阳电池阵的多个参数分解为趋势分量、周期分量和残差分量,然后采用对趋势性数据预测效果较好的Prophet预测趋势分量,Informer模型预测周期分量和残差分量,最后将各分量预测结果相加后得到总的太阳电池阵参数预测值.以某卫星太阳电池阵实际遥测数据做算例分析,提出算法的各项误差评价指标和单一的Informer模型、LSTM模型等相比有明显减小,将该组合预测模型用于太阳电池阵多变量参数预测中,可以提高参数预测精度,提升卫星自主运行性能.     

舰载高级教练机动力发展途径与未来趋势

为探索舰载高级教练机动力发展途径与未来趋势,综述了高级教练机发动机发展的3个阶段,重点分析了舰载高级教练机对配套动力的使用性能要求和国外舰载高级教练机发动机现状。研究发现:舰载高级教练机配套动力应根据飞机平台动力的需求,在成熟涡扇发动机的基础上围绕长寿命、宽包线、低油耗、强性能保持、易保障维修及“适海性”等相关要求进行改进研制,或选择一款成熟的舰载战斗机动力降状态使用,并且未来将向更大推质比、更低耗油率、更大提取功率、更长使用寿命和飞发一体化设计的方向不断发展。     

飞机栅格零件SLM成形过程的变形演化仿真研究

栅格零件是某型无人机中的关键功能结构,形状复杂,形貌精度控制要求较高,非常适合采用激光选区熔化(SLM)工艺进行制造。利用华中科技大学研发的iAdditive仿真软件对栅格零件的SLM成形过程进行仿真分析,对支撑与关键塑性变形位置的分区打印策略进行了设计和优化。结果表明:通过仿真模拟可以迅速获得SLM成形过程中的关键塑性变形位置,通过分区设计可以使关键堆积层的变形量减小大约60%;通过对比支撑切除之后的模拟结果与试验结果,两者之间的变形趋势和变形数值吻合良好,最大变形处在中间栅格区域,变形量约为2.0mm。     

对外贸易与区域经济增长关系的实证研究——以重庆市为例

利用重庆1987～2006年相关数据资料,对重庆对外贸易与经济增长的关系进行了定量分析.主要运用平稳性检验、协整检验、Granger因果检验、脉冲检验等方法,揭示了进出口和经济增长之间存在正的相关,而且存在长期稳定均衡关系.最后,在量化分析的基础上为重庆对外贸易乃至整个经济的可持续发展提出相应的政策建议.     

基于区域缠绕法的复杂型体轨迹规划研究

针对参数化缠绕方法不适于复杂型体缠绕轨迹规划的问题,提出了区域缠绕法。该方法通过对纤维缠绕受力分析,基于网格理论和局部趋势面理论,建立了纤维稳定缠绕数学模型,并给出了算法实现流程,为纤维缠绕复杂型体提供理论基础。     

基于灰色理论的民航旅客运输周转量预测

对近年来民航旅客运输周转量数据进行收集整理,运用灰色预测方法,建立GM(1,1)预测模型,对未来的旅客周转量进行预测。该方法具有系统性、联系性和动态性的特点。经精度检验表明,该模型的精度等级为好。     

基于灰色关联分析的中国二氧化碳排放量影响因素分析(英文)

如何实现中国碳减排目标已经成为当前的研究热点,为完成减排目标首先要研究中国CO2排放量的影响因素。首先利用灰色关联分析方法选择与中国CO2排放量灰色关联度最高的3个变量:能源消费量、第三产业比重、外贸依存度。协整检验表明中国CO2排放量和3个影响因素之间存在长期协整关系,本文同时建立中国CO2排放量的长期协整方程和短期误差修正模型。运用误差修正模型得到的中国CO2排放量预测值与真实值的比较和得到的统计值均表明本文建立的模型有较好的解释能力和信度。     

辅助动力装置的应用现状和发展趋势

辅助动力装置(APU)是装在飞机上的一套不依赖机外任何能源、自成体系的小型发动机。本文介绍了辅助动力装置的发展历程,分析了先进辅助动力装置的技术特征,总结了可靠性不断提高、循环参数逐步提高、APU与EPU组合和综合、注重低噪声和低排放的环保要求等发展趋势,对发展辅助动力装置提出了几点看法。     

多元线性回归模型的增量算法

伴随着各领域信息化的发展,数据多呈现出快速、连续流入的特点.面向海量不断更新的数据集,在具有广泛使用价值的线性回归模型中,考虑引入增量算法.通过基于叉积矩阵的增量计算公式,得到最小二乘估计模型的增量算法,并进一步扩展到其他的模型估计量和检验统计量中.该增量算法运用了全部的数据信息,与使用全部数据建模具有完全相同的结果.算法节约了数据读取时间,减小了数据存储传输的压力,从而提高了计算效率.数据仿真实验验证了算法的有效性.     

基于SMO—SVR的飞机舵面损伤故障趋势预测

飞机舵面出现损伤时,为了更准确的预测状态参量变化情况,提出了一种改进的序贯最小优化支持向量回归(SMO-SVR, Sequential Minimal Optimization Support Vector Regression)预测方法.采用改进C-C平均方法对多元时间序列进行相空间重构,以确定最优嵌入维数m和延迟时间τ_d.根据所求m和τ_d建立加权SVR预测模型,并调整了SMO算法的停机准则.利用区间自适应粒子群算法(IAPSO, Interval Adaptive Particle Swarm Optimization)优化SVR参数,以提高参数优化速度.为了验证改进算法的有效性,针对飞机方向舵损伤故障趋势进行了预测和分析,并与径向基函数神经网络(RBFNN, Radial Basis Function Neural Network)方法进行了对比,仿真结果表明SMO-SVR预测模型具有很好的预测能力.