断裂力学的复变量无网格方法

在移动最小二乘法的基础上, 讨论了复变量移动最小二乘法. 复变量移动最小二乘法的优点是不形成病态方程组、精度高, 所形成的无网格方法计算量小. 利用裂纹尖端解析解将复变量移动最小二乘法的基函数进行扩展, 推导了相应的逼近函数; 从最小势能原理出发提出了断裂力学的复变量无网格方法, 推导了相应的复变量无网格方法的求解方程. 与传统的无网格方法相比, 断裂力学的复变量无网格方法具有计算量小、精度高的优点. 最后给出了数值算例.     

伽辽金最小二乘无网格法在几何非线性问题中的应用

目的在不需要划分单元的情况下求解几何非线性问题。方法伽辽金最小二乘无网格法(MGLS)采用移动最小二乘近似函数作为试函数,并用罚函数法施加本质边界条件,内部区域用最小二乘域,边界区域用伽辽金域,是一种与单元划分无关的无网格方法。在求解几何非线性问题时,采用了增量和修正的Newton-Raphson迭代分析的方法,并在整个分析过程中所有变量的表达格式都采用更新的拉格朗日格式。结果通过对受均布载荷作用的悬臂梁用MGLS法进行内力分析,由于考虑大变形的影响,结构呈现出比线性分析结果刚硬的性质,结果与解析解符合的很好。结论算例表明:MGLS法在求解几何非线性问题时具有可行性,而且计算精度也较好。     

类Helmholtz方程的无网格局部Petrov-Galerkin法

将无网格局部Petrov-Galerk in方法和改进的移动最小二乘近似相结合,求解了二维类Helmholtz方程。改进的移动最小二乘近似采用加权正交函数系作为基函数,与传统的移动最小二乘近似相比,改进的移动最小二乘近似中的系数矩阵变成了非奇异的对角矩阵,因而无需计算系数矩阵的逆。数值结果表明该方法数值精度高,收敛速度快。     

Signorini问题的插值型边界无单元法

本文将改进的移动最小二乘插值法和边界积分方程结合,提出了求解Signorini问题的一种新的边界类型无网格方法——插值型边界无单元法.该方法用投影算子处理Signorini问题中的非线性边界不等式条件,然后将Signorini问题归化为边界积分方程,并用改进的移动最小二乘插值法近似未知的边界变量,然后本文分析了该方法的收敛性.数值算例表明该方法在求解Signorini问题时的可行性和有效性,相对于边界元方法也具有更好的精度和收敛速度.     

弹性力学的插值型边界无单元法

我们讨论了移动最小二乘插值法, 对Lancaster推导的公式进行了改进. 在边界无单元法的基础上, 将边界积分方程方法和本文改进的移动最小二乘插值法结合, 提出了弹性力学的插值型边界无单元法, 推导了相应的公式. 本文改进的移动最小二乘插值法中的形函数具有Kronecker函数的性质, 所以我们提出的插值型边界无单元法可以很容易地直接施加本质边界条件. 我们提出的插值型边界无单元法以节点的真实变量作为未知函数, 是无网格边界积分方程方法的直接解法, 具有较高的精度. 最后给出了数值算例说明了本文方法的有效性.     

非线性函数模型的最小二乘问题

本文针对非线性函数模型的平差问题,提出了非线性最小二乘平差的一种解算方法,该法与过去方法的不同在于:先将非线性函数模型按最小二乘法导出其基础方程,再对非线性的基础方程进行迭代化计算求解。     

基于改进的GA-LSSVM的软测量建模方法

针对工业过程中某些重要过程变量难以实现在线测量的问题,提出了一种改进的最小二乘支持向量机(IGA-LSSVM)的软测量建模方法.该方法采用核独立分量分析(KICA)对高维数据进行特征提取,利用改进的最小二乘支持向量机进行建模.该方法既利用了最小二乘支持向量机求解速度快的特点,又利用了自适应遗传算法强大的全局搜索能力,增强了模型的自适应性.用该方法建立柴油凝点的软测量模型,结果表明,基于IGA-LSSVM方法建立的软测量模型具有较高的预测精度和泛化能力.     

用格林函数叠加法求解椭圆型微分方程边值问题

本文提出了一种求解椭圆型微分方程边值问题的数值方法——格林函数叠加法.根据椭圆型微分方程的格林函数,分别采用直接求解和最小二乘法推导了其求解方程和离散求解方程.算例表明了本文方法的可靠性.     

基于最小二乘拟合和特征基函数法的目标宽带RCS快速计算

提出一种快速分析目标宽带雷达散射截面的方法,该方法将最小二乘拟合与特征基函数法相结合,通过计算选定的若干频率点的表面电流便可快速求解出整个频带内的表面电流.具体过程为利用特征基函数法求解选定频率点目标表面电流,进而利用最小二乘拟合实现表面电流和雷达散射截面的快速计算.数值计算结果表明:在不影响精度的前提下,该方法可大大提高计算效率、减少内存需求.     

一种改进的最小二乘支持向量机算法

最小二乘支持向量机是标准支持向量机的一种扩展,它是支持向量机在二次损失函数下的一种形式.它用等式约束代替不等式约束,求解过程变为解一组等式方程,避免了求解耗时的二次规划问题,但同时也丧失了标准支持向量机的稀疏性,影响了二次学习的效率.针对上述问题,本文提出了一种改进的最小二乘支持向量机增量学习方法.改进的最小二乘支持向量机算法采用自适应剪枝方法对解进行稀疏,根据每次训练得到的分类器性能来设定剪枝阚值和样本增量的大小,如果得到的分类器性能好,剪枝阈值和样本增量就大,反之,剪枝阚值和样本增量就小,从而提高了最小二乘支持向量机训练效率,解决了稀疏性问题.最后,仿真实验表明该算法方案可行.