修正离散正则化算法的截割煤岩载荷谱的重构与推演

为探求镐型截齿载荷反演定量求解的方法,利用多截齿参数可调式旋转截割实验台,对不同楔入角镐型截齿的载荷进行关联分析。采用修正离散正则化方法,根据镐型截齿实验载荷谱及其结构和运动参数,重构其载荷谱,提取载荷谱特征参量,给出不同楔入角载荷谱的拓扑关系及推演算法。结果表明：楔入角在35°～50°以及楔入角和齿尖半锥角之和小于90°时,给出了实验截割载荷随楔入角的增大呈现出极值性的变化规律。重构40°和45°楔入角截齿载荷谱的特征值易辨识和提取,其截割能量主要处在1～4 Hz,二者均值关系为F40°≈1.2F45°,幅值之间具有正相关性,其相关系数r=0.976 7。其推演和重构载荷的特征值与实验最大值误差分别为1.5%,9.8%,均值误差分别为5.5%,1.6%,二者具有较高的吻合度。

LED显示屏相机采集过程中的渐晕补偿

LED显示屏在采集校正过程中由于相机自身的渐晕特性,无法准确得到每个发光像素亮度信息,导致显示屏经过校正后显示效果不好。为了解决这个问题,本文针对LED发光像素自身的亮度离散特性,提出了一种基于统计学原理的相机渐晕补偿算法。该方法首先通过高斯滤波消除高频混叠噪声,然后通过数据迭代的方式消除LED发光像素的亮度离散性,从而得到了光滑的相机渐晕曲面,最后通过对渐晕曲面取倒数的方法求出相机的渐晕补偿曲面并进行了实验验证。实验结果表明,该方法对相机渐晕进行补偿能够极大程度提高相机采集LED发光像素亮度信息的准确度,使校正后显示屏的任意发光像素的亮度差异由9%降低至0.86%。大大提高了LED显示屏校正后的显示均匀性。

基于时间序列预测的电力异常大数据检测研究

为预测包含电力异常大数据的信号负荷曲线的变化规律,从而实现对连续性电量信号的精准检测,提出基于时间序列预测的电力异常大数据检测方法。借助时间序列模型,确定降维预测系数的实际取值结果,通过离散化修正权限的表现强度,完成基于时间序列预测的电力异常数据修正处理。在此基础上,按照时间序列预测原则,建立Hadoop预测平台,根据具体的电力大数据异常特征值计算结果,确定并行检测强度的实际数值,完成基于时间序列预测的电力异常大数据检测算法的设计。对比实验结果表明,在时间序列预测模型的作用下,电网主机所预测出的包含电力异常大数据的信号负荷曲线能够更好贴合给定曲线的变化规律,在精准检测连续性电量信号方面具有一定的促进性作用。