基于Java的数据结构算法演示系统

本文介绍了基于Java Applet实现数据结构课程中算法动态演示的总体设计。详细描述了主界面的设计和算法演示界面的设计,并以迷宫求解算法的为例,介绍了算法动态演示的详细设计过程。     

OFDM多载波系统中的自适应技术研究

本文在已有的多载波传输系统的基础上设计了一个改进的多载波系统模型,将信道编码技术,OFDM技术以及自适应传输技术相结合,使多载波系统的性能进一步的得到改善。同时本文还给出了一种在原有的传输算法的基础上归纳出的一个改进的传输算法-动态分块加载算法。     

基于随机规划的跑道运行模式及容量优化决策

为研究受航班预计进离场交通需求不确定性影响下的预战术阶段跑道运行模式及进离场率优化决策,分别对航班预计进离场时间预测偏差的概率分布进行了拟合,然后基于随机规划方法建立了跑道运行模式及进离场率综合决策两阶段随机规划模型,将预计进离场时间随机场景实现后的进离场优化调度下的延误代价作为跑道运行模式及进离场率优化模型中目标函数的补偿函数,设计遗传算法与抽样平均近似方法结合的混合算法对模型进行求解,并采用广州机场实例数据基于蒙特卡洛仿真方法对模型进行仿真验证。仿真结果表明：两阶段随机规划模型相比确定性模型较为显著地减少了战术阶段预期发生的运行延误均值。     

后疫情时期的机场旅客吞吐量预测

为提高后疫情时期的机场旅客吞吐量预测精度,通过CEEMDAN算法将旅客吞吐量原始序列分解为若干不同频率的分量,检验各分量序列的平稳性,对平稳序列建立ARMA预测模型,非平稳序列通过构建DBSCAN-Adaboost强预测器进行预测,将各分量预测结果重组,得到社会常态化发展背景下的机场吞吐量预测值。以新冠疫情散发点个数、疫情散发点区位因子为变量建立疫情影响因子修正模型,对南京机场2020—2022年疫情期间的客流量预测结果表明,新组合模型能够较为准确地量化疫情对机场客流的影响程度,为机场旅客吞吐量预测提供了新方法。     

基于增量-迭代算法的SABRE系统非线性分析流程设计

随着大型复杂装备结构分析的非线性问题日益突出,基于线性理论的有限元分析方法已难以满足复杂工程结构设计与研制需求,必须借助非线性有限元方法来获得结构的全状态力学性能。鉴于工程结构对非线性有限元分析的迫切需求,在新架构下的自主CAE软件SABRE系统中,基于增量-迭代算法研发了非线性有限元计算流程和相应的功能模块,初步实现了结构非线性分析功能。数值算例表明,研发的分析流程具有较高的精度,可进一步基于该流程进行功能的扩展和性能的提升。     

航空发动机多轴加载试验系统与装配偏差识别研究

航空发动机高压转子具有典型的螺栓连接结构。为了研究螺栓连接的装配性能与复合载荷之间的作用关系,开发了一套具有轴向拉力和横向振动同时激励的多轴加载试验系统。设计了试验系统稳定性与螺栓装配偏差的试验方案并开展测试分析。试验结果表明,多轴加载系统控制激振前后轴向载荷变化范围不大于0.003 kN时,频响特性稳定有效;当不同位置螺栓存在装配偏差时,会同时对振动响应频率和幅值产生影响。最后建立XGBoost智能算法,利用特定频响峰值与幅值有效识别了螺栓装配偏差方位角。     

基于遗传算法的地基空间目标监视网布站优化与仿真

空间 目标数量的指数级增长和太空武器技术的多样化发展,给空间 目标监视网有限的资源调配带来了严峻挑战.将遗传算法与扩展卡尔曼滤波算法和蒙特卡罗方法相结合,应用于地基空间 目标监视网的布站优化,并通过仿真分析,实现了对监视网探测精度和资源利用率的有效提高.     

基于RFG-SVM算法的在线课程学习行为分析

因支持向量机算法对在线课程平台的学习行为分析有误差,提出了一种基于大数据的随机森林模型的特征加权支持向量机RFG-SVM算法,该算法是在传统支持向量机算法上做完善、修改。利用Gini指数对特征变量计算,再计算RF模型分类识别的准确度,获得特征设定权重值,完成权重值在支持向量机的核函数中的计算。实验结果表明,通过对不同学习行为的学生的学习效果的预测,发现该方法能有效帮助教育者通过在线平台分析学习者的学习行为,预测学习效果,具有更高的准确率和稳定性。     

基于单代号网络的银行家算法

通过对银行家算法的分析,提出单代号网络的进程安全状态序列的改进算法-基于单代号网络的银行家算法,并通过具体的示例实现此算法。     

试车数据驱动的涡轴发动机起动过程模型辨识

针对传统的采用解析法建立涡轴发动机起动过程模型复杂的问题,提出了一种基于变步长萤火虫算法优化的有外部输入的非线性自回归网络(CSFA-NARX)的涡轴发动机起动过程模型辨识方法。以涡轴发动机起动过程试车试验数据为数据样本,利用CSFA-NARX网络模型辨识得到涡轴发动机起动过程模型,并采用留一交叉验证方法对辨识模型的性能进行验证。结果表明：得到的辨识模型输出参数,如燃气发生器转速n_g、输出轴转速n_r和涡轮后温度T₄都较好地逼近了试车实测数据,各参数验证样本最大相对误差平均值分别为0.90%、1.51%、和2.01%;在相同训练与验证样本情况下,得到的辨识模型精度优于采用萤火虫算法优化的NARX网络(FA-NARX)、NARX网络和变步长萤火虫算法优化的BP网络(CSFA-BP)模型精度。