期刊文献+
共找到3篇文章
< 1 >
每页显示 20 50 100
Robust State Feedback Control of Wind-Excited Tall Buildings
1
作者 Liu Hui tang jia-xiang 《Wuhan University Journal of Natural Sciences》 EI CAS 2001年第3期709-714,共6页
The introduction of robust control theory into structure control, as well as design procedure of stabilizing controllers for structures with parameter uncertainty and model error is discussed. A stability bound is der... The introduction of robust control theory into structure control, as well as design procedure of stabilizing controllers for structures with parameter uncertainty and model error is discussed. A stability bound is derived from the polar decomposition of the nominal system matrix. In addition, our study shows that application of low pass filters avoids spillover by eliminating the unconsidered high frequency components. It is demonstrated, via an example, our approach leads to excellent control result and offers far better robustness than previous solutions. 展开更多
关键词 wind-exciting robust control state feedback ROBUSTNESS
下载PDF
海口市臭氧浓度统计预报模型的构建与效果评估 被引量:1
2
作者 符传博 林建兴 +1 位作者 唐家翔 丹利 《环境科学》 EI CAS CSCD 北大核心 2024年第5期2516-2524,共9页
主要利用2015~2020年海口市臭氧(O_(3))浓度资料和ERA5再分析资料,基于污染物浓度控制方程挑选出海口市O_(3)-8h浓度(日最大8 h滑动平均)的15个关键预报因子,构建了多元线性回归模型(MLR)、支持向量机模型(SVM)和BP神经网络模型(BPNN),... 主要利用2015~2020年海口市臭氧(O_(3))浓度资料和ERA5再分析资料,基于污染物浓度控制方程挑选出海口市O_(3)-8h浓度(日最大8 h滑动平均)的15个关键预报因子,构建了多元线性回归模型(MLR)、支持向量机模型(SVM)和BP神经网络模型(BPNN),并对2021年海口市O_(3)-8h浓度进行预测和效果检验.结果表明,O_(3)-8h浓度与关键预报因子的相关系数绝对值主要分布在0.2~0.507之间,其中1000 hPa的相对湿度(RH1000)和风向(WD1000),875 hPa的经向风(v875)的相关系数绝对值超过了0.4,具有较好的指示作用.3个预报模型基本能预报出海口市O_(3)-8h浓度冬半年偏高,夏半年偏低的变化趋势,其中BPNN模型的标准误差(RMSE)数值最小(22.29μg·m^(−3)).实测值与3个统计模型预报值的相关系数从大到小排列为:0.733(BPNN)>0.724(SVM)>0.591(MLR),均通过了99.9%的信度检验.O_(3)-8h浓度等级预报的结果检验表明,3个预报模型的TS评分均随着O_(3)-8h浓度等级的上升而下降,而漏报率(PO)和空报率(NH)随着O_(3)-8h浓度等级的上升而上升.SVM和BPNN模型在3个等级预报中TS评分均略高于MLR模型,特别是在轻度污染等级,TS评分还维持在70%以上,具有较好的预报性能. 展开更多
关键词 臭氧(O_(3)) 多元线性回归 支持向量机 BP神经网络 预报评估 海口市
原文传递
海南岛细颗粒物污染特征、影响因素及潜在源区分析
3
作者 符传博 唐家翔 +1 位作者 丹利 佟金鹤 《环境科学》 EI CAS CSCD 北大核心 2024年第9期5140-5148,共9页
基于2015~2021年海南岛环境监测数据和气象观测数据,利用后向轨迹模型、聚类分析、多元线性回归方法、潜在源区贡献因子算法和权重轨迹方法等探讨了海南岛PM_(2.5)污染特征,影响因素及潜在贡献源区.结果表明,海南岛PM_(2.5)浓度具有明... 基于2015~2021年海南岛环境监测数据和气象观测数据,利用后向轨迹模型、聚类分析、多元线性回归方法、潜在源区贡献因子算法和权重轨迹方法等探讨了海南岛PM_(2.5)污染特征,影响因素及潜在贡献源区.结果表明,海南岛PM_(2.5)浓度具有明显的季节性变化特征,冬季ρ(PM_(2.5))最高(22.6μg·m^(−3)),秋季和春季次之(17.38和16.53μg·m^(−3)),夏季最低(9.79μg·m^(−3)).近7年海南岛共有30 d出现PM_(2.5)浓度超标,且年平均和4季PM_(2.5)浓度均出现显著的下降趋势,其气候倾向率[μg·(m^(3)·a)^(−1)]分别为−0.97(年平均)、−1.09(春季)、−0.61(夏季)、−0.83(秋季)和−1.25(冬季).海南岛PM_(2.5)浓度与气态污染物高度相关,相关系数分别为0.471(SO_(2))、0.633(NO_(2))、0.479(CO)和0.773(O_(3)-8h),均达到了0.01的显著性水平.海南岛PM_(2.5)浓度与平均风速和大气压呈正相关关系,与降水量、相对湿度、日照时数、平均气温和总辐射呈负相关关系,其中平均气温、相对湿度和太阳总辐射是主控气象因子.后向轨迹和潜在贡献源区分析表明,冬季和秋季受来自内陆地区的气流影响时,海南岛平均的PM_(2.5)浓度普遍偏高(≥20μg·m^(−3)),福建、浙江、湖南、江西、广东和广西等省份是海南岛PM_(2.5)主要潜在贡献源区. 展开更多
关键词 细颗粒物(PM_(2.5)) 影响因子 后向轨迹 潜在源区 海南岛
原文传递
上一页 1 下一页 到第
使用帮助 返回顶部