摘要：为构建精确的离心泵数学模型,在其机理模型基础上,利用差异演化算法自动辨识模型的参数和结构,并采用已有实验数据与该模型的残差实行修正,得到了精度较高的离心泵扬程-转速-流量模型;在该模型和已有凝水系统模型的基础上,研究某型船用凝水系统在凝水泵转速、冷凝器压力及冷凝器水位变化时的汽蚀特性。仿真结果显示:基于残差修正方法的差异演化算法可以自动生成满足计算精度和计算实时性的离心泵显式模型。在特定的运行条件下,过高的凝水泵转速、过高的冷凝器压力和过低的冷凝器水位,均会导致凝水泵汽蚀。定性和定量分析结果可以为该型船用凝水系统的设计和控制优化提供参考。

摘要：由于河流径流量具有不规律随机特性,高精度预测径流量始终是一个难题。为了解决此问题,提出了基于GRU(Gated Recurrent Unit)算法构建径流量的预测模型。首先,通过对径流量偏自相关分析,确定了GRU预测模型的时序步长,以确定影响径流量的历史片段长度;其次通过GRU对径流量进行建模并得到估计残差;由于径流量的非稳定性,为了降低径流量的预测偏差,再次应用EMD(Empirical Mode Decomposition)方法对残差部分进行预处理,最后利用GRU对残差部分进行修正,以提高径流量预测精度。结果表明,此方法对径流量的预测精度高于其他模型,为洪水预报的准确度提供了技术支持。

摘要：针对变分模态分解端点效应处理方法的缺陷和分解过程中需要人为地控制输入参数,会严重影响预测结果,且ARMA模型本身在极值点附近预测精度就不高的问题,该文提出了MVMD-ARMA残差修正电离层预测模型,加强对分解时端点效应的控制,并通过阈值条件,自动选取最优参数,且对预测结果进行了残差修正。实验结果表明,改进模型的绝对残差均值为0.95TECU,分别比ARMA模型和VMD-ARMA模型小0.20TECU和0.11TECU;残差标准差均值为0.67,分别比ARMA模型和VMD-ARMA模型小0.17和0.09;平均相对精度的均值为88.64%,分别比ARMA模型和VMD-ARMA模型高2.56%和2.23%。

摘要：基于经验模态分解(EMD)、改进的极限学习机(MELM)以及马尔科夫链,提出了一种新的混合模型。由于混凝土坝的变形可看成静水压力、环境温度和时间效应而产生的变形,前两者体现总变形中的周期性分量,后者体现为总变形中的趋势性分量,所以在数据预处理阶段,利用经验模态分解技术将坝体总位移序列分解为趋势分量位移和周期分量位移,选择多项式函数预测趋势分量位移,提出了一种改进的极限学习机,即均值学习机集成(MELM),采用MELM模型对周期分量进行预测。再使用马尔科夫链修正模型对两个模型的拟合残差进行修正预测,叠加各预测值得到最终预测值。在某混凝土坝的应用表明,该组合模型的拟合及预测精度明显优于传统模型,具有操作简便、预测精度高、训练速度快等优点。

摘要：酸雨的pH值受酸性离子和碱性离子的影响比较大,这些影响因子之间存在多重相关性,用一般的方法难以达到预测精度。本文在灰色系统理论的基础上,通过引入马尔科夫理论,提出了一种基于马尔科夫灰色残差修正模型。该模型弥补了灰色预测模型在预测结果的精确性和可信任性方面表现出的固有缺陷。实例表明该方法在提高组合预测精度上具有可行性。

摘要：灰色模型对农业用水量进行预测本身具有一定的局限，数据离散程度越大，灰度也越大，其预测精度也越差。文中采用残差修正．避免了数值过度波动。通过预测实例，结果表明改进后的灰色预测模型能有效提高预测精度。

摘要：灰色预测理论是80年代发展起来的一门新理论,在水利行业广泛应用于水资源利用的规划、决策、方案评价和运行管理。灰色预测模型的预测精度直接关系到水资源利用规划、决策的效果和成败。对灰色预测模型进行残差修正,是提高预测精度的有效方法。一阶单变量灰色预测简称GM(1,1)模型,是灰色预测模型中最基本最常用的模型。本文主要介绍GM(1,1)模型的残差修正程序和残差修正中应注意的问题。1 残差修正的程序由于灰色预测模型的残差修正,名词术语多,计算复杂,

摘要：随着当今飞行器飞行速度的提高,三维超声速内流道的设计需求日益增加。提出一种基于特征线追踪的气动反设计方法,以解决三维超声速粘性流场设计问题。为了验证特征线追踪方法的设计能力,将其应用于二维超声速喷管和三维方转圆流道设计中。结果表明,设计所得流道内部不存在集中的膨胀波和压缩波,获得了流动均匀的菱形试验区,出口处马赫数误差低于0.5%。特征线追踪方法能够直接设计超声速粘性流场,避免了传统的边界层修正技术引入的设计误差,实现了既能满足预设流场参数分布,又能保证入口和出口形状的三维异形截面超声速流道设计。

摘要：为提高狮头鹅养殖禽舍气温预测精度,提出了基于主成分分析(Principal Component Analysis,PCA)、支持向量回归机(Support Vector Regression,SVR)融合自回归滑动平均(Autoregressive Moving Average,ARMA)模型的狮头鹅养殖禽舍气温组合预测模型。在建模过程中,运用主成分分析法筛选狮头鹅养殖禽舍气温的关键影响因子,消除变量之间冗余信息,约简预测模型结构;采用SVR-ARMA构建狮头鹅禽养殖舍气温组合预测模型,先通过SVR对气温进行预测,再由基于ARMA模型的残差预测值修正气温预测结果。利用该模型对广东省汕尾市2018年7月21日至2018年7月30日期间的狮头鹅养殖禽舍气温进行预测。结果表明,该组合预测模型取得了良好的预测性能,与标准BP神经网络、标准SVR、PCA-BPNN(反向传播神经网络,Back Propagation Neural Network)、PCA-SVR和PCA-BPNN-ARMA等模型对比分析,其评价指标平均绝对误差、均方根误差和平均绝对百分比误差分别为0.1832℃、0.4540℃和0.0059,均表明所提出的组合模型具有更高的预测效果,不仅能够满足狮头鹅养殖禽舍气温实际精准调控的需要,还为狮头鹅健康养殖和种苗繁育环境精细化管理提供决策。

摘要：为实现船舶设备维护方式的智能化升级,用视情维修代替传统的定期巡检,提出一种基于改进粒子群算法(Particle Swarm Optimization,PSO)优化的Elman神经网络融合自回归差分移动平均模型(Auto-Regressive Integrated Moving Average,ARIMA)模型的组合预测模型,用于对设备状态参数进行预测。根据序列特征拟合ARIMA模型,利用改进的PSO算法优化Elman神经网络的权值和阈值,基于改进的PSO-Elman模型的残差预测值修正ARIMA模型预测结果。采用某船设备实际数据对该组合预测模型进行训练和验证,将其预测结果与其他模型的预测结果相对比,结果表明,该组合预测模型具有较高的预测精度和稳定性。