水电站流域生态放流算法的优化

来源 :计算机与数字工程 | 被引量 : 0次 | 上传用户:jyjlxy
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
随着国家对环境的问题的重视,水电站生产也需要做出相应的改变.在保证生产的前提下,必须担负起保护流域生态环境的责任,生态流量是流域生物生存所需流量.如何在满足河流生物基本需求的前提下,保证水电站的最大输出,就必须计算出河道的生态流量,但是随着季节、气候等因素的变化,生态流量也在随之变化,针对以上问题,研究一种能够适应各种变化因素的生态基流计算方法,对于水电站流域的生态环境具有重要意义.
其他文献
针对复杂场景下的视觉目标跟踪问题,论文提出了一种基于三通道孪生网络的鲁棒目标跟踪算法。该算法使用三个并行的VGG-16网络进行特征提取。然后,通过卷积操作得到当前帧相对于真实目标和上一帧输出目标的相似度分数图,再根据融合分数图定位当前帧中跟踪对象的位置。文中的实验证实,在复杂场景下,论文提出的算法相对于Siamese-fc等其他实时目标跟踪算法,在跟踪鲁棒性方面有着较大的优势。实验结果同时表明论文
传统的K-means算法存在初始质心敏感、需要人为指定K个数等问题,可以通过融合Canopy算法在一定程度上缓解,但是仍然存在抗噪能力弱、质心选择盲目、运算时间长等问题.论文提出了一种改进算法,在抗噪性、初始质心选择、运算过程三方面,对Canopy-K-means算法进行优化.该算法采用了剪枝、“最大最小规则”、相似度计算等策略来实现算法目标.实验数据表明,改进后的Canopy-K-means算法对比传统的Canopy-K-means算法、K-means算法均具有更高的检测率、更低的误报率.
随着深度学习技术的发展,一些工作把深度学习运用于推荐系统中.为进一步提高推荐质量,提出一种基于融合辅助信息的神经网络组合推荐系统NFR(Neural Fusion Recommender).通过训练多个彼此独立的神经网络模型,连接模型输出前的最后一层,最后用加权的方法将多个模型组合在一起,并给出了算法的实现方法.在现有基准数据集上进行实验,利用命中率和归一化折损累计增益对实验结果进行评估.实验结果证明NFR不仅可以通过其他网络进行扩展,还可以通过融合数据源的辅助信息提高预测能力,相比之前的方法表现更好.
SNP数据在人类遗传病诊断与治疗中存在重要作用,但SNP原始数据存在大量冗余,因此需要选择出信息量大的SNP,完成SNP数据的降维.针对常用聚类算法应用到信息SNP选择时未考虑单个SNP与SNP子集之间相似度的问题,采用一种新的相似度度量方法,提出了一种改进的聚类算法K-MIGS,并将其应用到SNP选择中.K-MIGS算法解决了传统K-means不能挖掘出SNP位点与SNP子集之间的强相关性问题,并在医院提供的临床数据实验中表明,K-MIGS具有更高的非信息SNP子集重构度.最后使用支持向量机、决策树和神
大国竞争靠工业,工业竞争在智能。在国家相继出台“中国制造2025”“新一代人工智能发展规划”等一系列政策措施推进我国工业智能化转型的背景下,矿业作为关系我国经济命脉和能源安全的重要基础产业,智能化是其发展的必由之路,可从本质上提升矿山企业的核心竞争力,从而推动我国矿业向安全、高效、经济、绿色与可持续的目标发展,在日益激烈的市场竞争中脱颖而出。
在自动混凝土布料系统中,稳定精确测量布料机、布料杆等混凝土布料设备的实时布料量成为行业自动布料的瓶颈。本文提出一种基于卡尔曼滤波器的混凝土重量预测算法,在实时获取称重设备重量的基础上,通过实时计算、迭代修正的方法计算获得混凝土当前的实时布料量。经实际测试,本方法在相同硬件情况下可以大幅提升混凝土实时下料量的精度。
离合器是动力换挡变速器最重要的部件之一,动力的传递是靠离合器中摩擦副的结合和分离来实现的。离合器的结合及分离特性,直接影响变速箱的性能。变速箱换挡离合器高速旋转时,由于旋转油缸里的液压油会因为离心力不能快速排出油缸,对活塞产生一定的压力,离合器分离不能瞬时完成使摩擦副滑膜,导致离合器烧坏。本文通过分析油液离心力对某定轴动力换挡变速箱离合器的影响,最终确认了采用自动倒空阀解决油液离心力有害影响的措施,并通过试验验证,提高变速箱的性能。
臂架是实现破拆作业的最主要部件,其质量约占整车总质量的三分之二,因此在保证足够的强度条件下,进行优化设计就显得格外重要。本文以臂架系统的第一节臂为例,进行了优化过程说明,首先对臂架原始模型进行静力学仿真分析,之后利用拓扑优化方法对应力较大处的第一节臂进行结构优化,并对拓扑优化后的模型校核验证其可行性。最后通过响应面法对破拆机第一节臂典型尺寸进行灵敏度分析与尺寸优化。
本文首先介绍了现有铰接式自卸车悬架系统存在的不足,然后详细讲述了一种全浮式主动悬架系统的结构和组成,分析了系统存在的优势和不足,并指出了全浮式主动悬架系统将是未来铰接式自卸车的一个重点发展方向。
为了应对复杂多变的环境并提高移动机器人实时避障能力,提出了一种基于深度强化学习和动态窗口法的融合路径规划方法.首先,通过将机器人的驱动控制直接作用在速度空间来执行路径规划,从而使机器人具备动态窗口特性.然后,设计并训练一个深度Q网络去逼近移动机器人的状态-动作值函数,进而与环境动态地进行交互和试错,实时调整机器人的移动轨迹,最终为机器人找到最优路径.仿真实验结果表明,论文所提方法在自定义RGB(图像像素)图像的复杂环境中能够使移动机器人保持安全适当的速度行驶,找到无碰撞的最优路径,具有较好的鲁棒性.