我国汽车工业发展走势及对策

近几年,我国国民经济增长速度一直保持在7%-8%左右。2004年1-6月国内生产总值同比增长9.7%,2004年全国经济增长速度在9%-10%之间。专家预测,2005年,在全球经济不是非常景气的情况下,中国经济增长速约在8%-9%之间,汽车工业在今后若干年内将继续保持高于其他行业的增长率。我国汽车工业经过“八五”期间年均增28.3%的高速发展、“九五”期间年均递增13.5%的相对低速发展后,从“十五”开始重新进入高速发展阶段。汽车产销量由2001年的234万辆增至2003年的445万辆。2004年汽车总产量达到500万辆,提前一年实现“十五”规划产量目标,比2003年增长1…     

药物分子设计技术研究进展

重点探讨了药物或毒物分子设计过程中的定量构效关系、虚拟组合化学和虚拟筛选技术、密度泛函理论等重要新技术的发展,并对其在ADMET预测、受体和配体对接过程中精确打分函数的建立以及酶催化反应过渡态类似物设计等方面应用的国内外最新研究进展进行了详细阐述。     

基于神经网络的目标预测跟踪

针对高炮火控系统的现状,在阐述神经网络模型预测控制理论的基础上,将神经网络模型预测控制器应用于火控系统的目标跟踪中,同时利用Matlab对其进行了实验仿真,并将仿真结果与传统控制器和模糊控制器仿真结果相比照进行了分析,验证了该控制器可以较好地提高火控系统目标跟踪的速度和精度,从而使系统具有良好的鲁棒性和自适应性.     

基于改进核极限学习机和集成学习理论的目标机动轨迹预测

为了提高目标轨迹预测的精度以及预测模型的泛化能力,提出基于改进蝙蝠算法优化的核极限学习机(Kernel Extreme Learning Machine,KELM)和集成学习理论目标机动轨迹预测模型。构建KELM模型,并采用改进的蝙蝠算法对KELM的参数进行优化;以优化后的KELM神经网络为弱预测器,结合集成学习算法生成强预测器,通过训练不断优化强预测的结构和参数,得到一种基于集成学习理论的目标机动轨迹预测模型;基于不同规模的样本,将所得预测模型与逆传播神经网络、支持向量机和极限学习机等模型进行对比分析。仿真结果表明:所提目标机动轨迹预测模型具有较好的预测精度和泛化能力。     

虚拟电流注入法在线补偿转子位置估算误差

旋转高频注入法能估计永磁同步电机零速和低速时的转子位置,但在转子磁极位置解调过程中滤波器的使用会带来较大估算误差。提出虚拟电流注入法来在线补偿转子位置误差,基于估算的转速,构造与负序响应电流同频率的虚拟电流,经过与负序电流完全相同的解调,得到的虚拟电流相位与解调前相位的差值补偿估算的转子位置。分析比较了注入旋转电压导致的实际转速波动和正序响应电流引起的估算转速波动对误差补偿效果的影响,并利用低通滤波器来改善补偿效果。仿真和实验验证了所提方法在电机处于不同状态时对转子位置误差补偿的效果。     

装甲车轮毂电机自适应预测控制

针对经典有限集模型预测控制(FCS-MPC)算法在无位置传感器控制应用场合依赖电机参数匹配精度等问题,提出一种参数自适应设置改进的FCS-MPC预测控制算法,算法将系统干扰等未建模因素折算为改进模型的等效电压总误差,并依据Popov超稳定性定理推导出改进模型参数的自适应律,实现等效总误差和总电感在线辨识估计,进而推导出电机转位置观测器的辨识表达式,实现改进算法的自适应预测控制,结合补偿后低能滤波和均值修正有效消除直流偏置量,进一步提高位置观测精度.仿真实验结果表明,改进算法在电机不同工况和负载下能准确估计转子的位置,验证了算法的有效性.     

基于CNN-LSTM的在轨卫星故障预测分析

在役考核中,对遥测参数进行监控与分析,是评估在轨卫星工作状态及健康状况的重要途径.为解决在线多任务故障预测问题,提出了结合长短期记忆网络(LSTM)和卷积神经网络(CNN)的数据挖掘模型,并运用了一种基于误差反馈的权重自调整机制.利用某型卫星(含故障)遥测参数的仿真数据进行分析处理,实验结果表明:在线CNN-LSTM模型以最小的信息损失进行建模,对比单一模型以及传统的回归模型,CNN-LSTM模型不仅在测试集上取得了最小平均绝对百分比误差12.61％,同时模型预测性能在长时间预测中优于离线模型.     

基于加速鱼群算法的锂离子电池剩余寿命预测

针对极端学习机(ELM)方法在预测建模过程中因参数随机生成导致的结果不确定性,提出了一种加速鱼群算法(AAFSA)优化极端学习机的锂离子电池剩余寿命预测方法.针对基本人工鱼群算法(AFSA)存在的收敛速度慢、易陷入局部最优解,通过自适应确定感知距离和移动步长加快收敛速度,并在随机移动时增加混沌扰动提高种群多样性改善AF...     

位置感知的覆盖网构建算法

提出了一个基于底层网络位置信息建立P2P覆盖网的算法Lanet:覆盖网中每个节点都选择和本节点物理距离相近的节点作为自己的邻居,逻辑上相邻的节点也是物理上相近的节点。由于路由路径中每跳的延时都较低,这使得所建立的覆盖网络具有非常低的延时伸展率(latency stretch)。Lanet不需要网络中固定的节点集充当地标节点,具有很好的分布性和可扩展性。模拟实验结果表明,利用该算法建立的位置感知的P2P系统能够大幅度降低数据定位的延时。     

基于正交最小二乘估计的非线性时间序列的预测

在对非线性时间序列的短期预测中经常采用局部线性化的预测算法 ,原有的算法使用普通最小二乘法 (LS)估计近似线性模型的参数。对于存在噪声的数据 ,该算法的数值稳定性较差。本文在对非线性空间进行局部线性化的基础上 ,采用正交最小二乘方法 (OLS)对线性模型同时进行结构选择与参数辨识 ,改善了数值的病态特性 ,增强了算法的稳定性