翅片管式蒸发器超声波除霜理论与技术研究

针对传统逆除霜技术能耗高、热舒适度差的问题,研究应用于翅片管式蒸发器的超声波除霜新技术。结合MATLAB数值求解方法与有限元压电结构耦合仿真方法,分析蒸发器结构中的频散曲线,确定蒸发器结构中的超声导波类型、模态及导波传播特性,并将超声频散曲线分析结果与有限元仿真结果进行对比。研究结果表明,在激励频率小于250kHz时,蒸发器翅片上存在Lamb波的A0和S0模态以及SH波的SH0模态,Lamb波在翅片与霜层界面处激发破碎应力,SH波激发剪切应力;翅片上振动以Lamb波的S0模态为主,铜管上可以清楚看到对称的纵向模态,有限元仿真结果与频散曲线分析结果完全吻合;超声除霜试验与能耗分析结果表明,超声除霜能耗不到传统逆除霜能耗的1/22,除霜效率至少提高了7倍,是一种高效、低能耗的翅管式换热器除霜新技术。

ε不敏感损失函数支持向量机分类性能研究

将原先用于支持向量回归的ε不敏感损失函数引入到支持向量分类中,提出ε不敏感损失函数支持向量分类算法(-εSVC).同标准支持向量分类方法(C-SVC)和最小二乘支持向量分类方法(LS-SVC)相比较,试验结果表明:当赋予参数ε一个足够大的接近于1的值时,-εSVC的分类正确率略低于C-SVC和LS-SVC,但是-εSVC的训练、测试和参数选择的速度要高于C-SVC和LS-SVC.特别是对于大规模数据集,这种优势将更加明显.另外,通过精确选择参数ε的值,-εSVC能够获得比C-SVC和LS-SVC更高的分类正确率,但是训练、测试和参数选择的速度却随着ε的减小而降低.

一种改进的模糊人工免疫网络数据分类方法

针对现有人工免疫网络算法对先验知识应用不足的问题,提出一种基于模糊人工免疫网络的有监督学习数据分类方法．首先采用模糊C均值聚类算法为免疫网络提供疫苗(初始种群),将此疫苗作为免疫网络的初始抗体群,种群再经过克隆选择、网络压缩、免疫成熟、记忆等算子的不断扩展和压缩,形成一个由浓缩后的训练数据构成的抗体网络,最终基于该抗体网络采用“邻近原则”构造分类器．由于各算子的协调作用,该方法能够在高浓缩率的情况下更好地代替样本空间．UCI (University of Califomia,Irvine)数据集的仿真实验证明,与aiNet方法相比,该方法在分类准确率和数据浓缩率上分别高出7.26%和11.16%,而且更稳定、可靠．