峰谷电价下的梯级水电站短期优化

依据发电企业既要服从电网调度又要追求自身效益的特点，建立了两个考虑峰谷分时电价因子的梯级短期调度模型，并选用逐次优化和逐步逼近的混合算法(POA－DPSA)求解。该模型简单，算法易于实现。将该理论应用于电站实际演算中，结果表明这两个优化模型对促进电网的安全、提高企业发电效益具有较高的应用价值。     

基于小波分析的年最大径流预测方

径流序列可以看成是各种不同成分线性叠加构成的时间序列。利用小波变换良好的局部化时频分析能力，将年最大径流序列进行分解，使其趋势项、周期项和随机项得以分离。各子序列分别代表不同的时间尺度，反映了各种物理因素对径流过程的影响。然后根据各子序列的特性分别建立幂函数、周期函数或ARMA模型并进行预测。最后将各子序列的预测值合成，得到年最大径流序列的预测值。对宜昌站1991年至2002年最大径流量的预测结果表明，该方法是切实可行的。并指出小波包变换在分析中、高频信息方面优于小波变换，有助于进一步提高预测的精度。     

管理学基本原理在农用地分等工作中的应用

农用地分等是根据农用地自然属性、社会属性及其在经济活动中的地位和作用, 综合评定农用地的质量差异并划分等别的工作.广东省揭东县农用地分等的工作量较大,所涉及到的政府工作部门较多,应用管理学基本原理的思想来指导农用地分等工作,可以加快工作进程,提高工作效率,并为其它土地管理工作的开展提供有益的思路.     

基于视觉的苗期作物株间除草关键技术研究现状

基于视觉的苗期作物和杂草的图像分割技术逐渐成熟,通过视觉技术对苗期作物进行精准识别和定位,是实现株间除草的关键技术和难点。作物的精准识别首先需要利用颜色特征将图像中的作物、杂草和土壤背景进行分割;其次利用实际识别对象的位置特征,形状特征,纹理特征,光谱特征等构造新的特征向量,结合成熟的分类算法对作物和杂草进行特征分类识别。针对棉苗和大豆苗,主要提取位置特征、形状特征,多采用支持向量机为主分类算法;针对玉米,主要提取位置特征、纹理特征,多采用人工神经网络为主的分类算法;针对部分蔬菜苗,主要提取形状特征、光谱特征,多采用算法结合的优化算法,具体实现时需要根据离线样本学习的结果来平衡苗期作物的识别准确率与实时性。在目前的算法中,主要存在三方面的问题:作物特征提取效果易受到遮挡、光照等干扰;分类算法目前还不能得到非常令人满意的准确性和实时性;目前算法一般是针对某种时段的作物,不具有通用性。这些都是后续算法研究中需要进一步解决的问题。     

水库汛期分期方法研究及其应用

应用矢量统计法和相对频率法，基于年最大值取样以及超定量取样进行汛期分期计算，并与现有的方法进行比较研究。实例应用结果表明，这两种方法均可用于汛期的分期计算中，具有一定的实用价值。     

基于径流分类的日径流量预测神经网络模型

利用聚类分析法将径流序列分解为若干个子径流序列 ,对这些子径流序列分别建立局部神经网络模型 ,而后把这些局部模型合并成一个混合模型。当新的信息进入该模型时 ,首先用分类器判别其类别 ,以确定用混合模型中的何种局部模型加以模拟。通过与不加分类的总体神经网络模型的模拟结果加以对比 ,结果表明这种基于径流分类的降雨 -径流模型表现出了更优良的性能 ,可以较大地提高径流模拟精度。     

泡桐属(Paulownia)分类管见

自泡桐属(Paulownia)在1835年建立以来,至1938年,中外研究者先后发表的新种达18种、3变种,嗣后又相继发表了若干新种,经胡秀英和《中国植物志》分别归为六种和七种一变种。到目前为止,又相继发表了不少新种和变种,泡桐属共有26种7变种(包括异名)。本文根据历史文献和近年来调查研究所获得的标本、资料,对泡桐属分类中存在的异名处理和种与变种废、留欠妥以及泡桐属的归科问题,提出了自己的意见。     

商品化猪丹毒疫苗分类及特点

文章介绍了5种商品化猪丹毒疫苗的种类、毒株组成、抗原含量及相应免疫程序,为了解各种类型的猪丹毒商品化疫苗提供参考。     

运用植被指数时序特征对落叶松人工林分类

为探究植被指数时序特征是否有利于落叶松人工林提取,以孟家岗林场为研究试验区域,根据落叶松人工林季相和物候特征,利用Landsat8OLI影像数据提取研究区内5种植被的归一化植被指数(I NDV)、差值植被指数(I DV)、比值植被指数(I RV)、增强型植被指数(I EV),构建相应的植被指数时序特征。采用最大似然和随机森林两种方法对单一时相影像和加入植被指数时序特征的影像进行对比试验。结果表明:影像中加入植被指数时序特征后,最大似然算法的分类总体精度为89.53%,Kappa系数为0.87,比单一时序特征的影像分类精度提高了13.35%;随机森林算法的森林类型分类总体精度为93.22%,Kappa系数为0.92,比单一时序特征的影像分类精度提高了19.8%。因此,加入植被指数时序特征后能得到更高的落叶松人工林提取精度。