初值信息在气候预测中的作用

应用胞映射全局分析方法，研究初值信息在气候预测中的作用。针对人们认识气候的实际过程，分别提出４种初始条件，研究一个最大简化的大气模式做逐日级别预报和量值预报以及月平均级别预报和量值预报的能力。结果表明，初值信息掌握得越多，预报误差就越小，预报的相对准确率就越高。

一种基于局部社团和全局信息的链路预测算法

以往复杂网络的链路预测研究常常只考虑了公共邻居等局部网络的拓扑信息,不能很好的反映网络整体上的情况.在考虑局部社团网络拓扑信息的基础上,将同配系数等全局信息也引入预测算法中,提出了一种基于局部社团和全局信息的LCII预测算法.应用该算法对多个真实网络进行了链路预测,发现与其他几种经典链路预测算法相比,LCII预测算法有较好的预测效果和准确度.可见,综合考虑局部社团和全局信息可以挖掘出候选节点间更多的信息,从而能在一定程度上提升预测的命中率.

基于混合深度网络的电站锅炉NO_(x)排放预测

为降低燃煤电站锅炉氮氧化物(NO_(x))的排放量,优化燃烧与脱硝控制,提出一种基于数据驱动的融合卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)的混合深度学习网络模型并引入网络隐层输出全局注意力机制(GAM)来预测锅炉出口NO_(x)排放量。首先对某2×300 MW电站锅炉运行历史大数据提取并预处理,然后在确定模型输入变量的基础上利用互信息(MI)理论校准各输入变量与NO_(x)排放量之间的时间延迟并重构样本序列,最后构建CNN-BiLSTM-GAM模型并将该模型与其他几种典型模型的预测效果进行对比。实验结果显示,该模型预测结果的均方根误差(RMSE)、平均绝对百分比误差(MAPE)、决定系数(R-square)分别为:1.866、0.44%、0.983,为各模型中最优值,表明该模型比其他模型有更高的预测精度和更好的泛化能力。

基于多源参量感知的航空工装定位器在线监测方法与系统研究

航空工装定位器作为飞机部件装配的定位基准,其全局力位状态直接影响装配精度。因此,赋予工装力位状态自检能力对保障装配精度与效率具有重要意义。提出一种基于多源参量感知的航空工装定位器在线监测方法,可实现严重遮挡、受限测量空间下工装定位器全局位移与应变状态的在线监测。提出可见区域视觉测量-近封闭空间涡流传感的局部位移在线采集方法,拓展工装复杂结构的位移在线监测能力;研究定位器受载状态下应变敏感区域,综合系统敏感性与测量空间可达性,建立光纤内嵌传感的工装应变高性能监测方法;同时,构建定位器在不同工况下力位数据集,并以此数据为基础,提出工装定位器“离散在线监测-全局实时感知”的力位信息全局预测方法,最终形成了基于多源参量感知的航空工装定位器在线监测系统。仿真试验及现场应用验证结果表明,所提方法与系统可赋予航空工装多源状态在线监测能力,实现工装在线自检,推进智能工装的发展。