开采沉陷中采深偏移系数的性质分析

在处理倾斜煤层的开采沉陷数据时,往往采用平均采深代替走向主断面实际开采深度,此时存在着采深偏移系数的情况,不可避免地造成了开采沉陷预测的不准确性.为了提高开采沉陷预测精度,通过理论推导,给出了采深偏移系数计算公式,分析了上覆岩层岩性、煤层倾角、松散层厚度等地质采矿条件对采深偏移系数的影响.同时,结合11个矿区的开采工作面资料,求取了以平均采深代替走向主断面实际采深时各地表移动变形值的偏差.结果表明,采深偏移系数随着覆岩强度和煤层倾角的增加而增加,随基深比的减小而减小.当煤层倾角达到20°以上时,应该考虑采深偏移系数对各移动变形值造成的影响,为矿山开采沉陷准确预测提供参考.     

考虑能源消耗的城市路网信号优化研究

通过对信号交叉口和路段车辆能源消耗的研究,提出了城市路网能耗计算公式。将路网能源消耗以及最优交通信号设置问题结合起来研究,以路网能源消耗最小为目标,用双层规划方法综合优化信号配时方案,进而得到能源消耗最优平衡网络信号优化模型,以达到最大程度地降低路网交通能耗的目的。在此基础上,给出了描述上述问题的基于免疫选择的自适应繁殖的混沌粒子群求解算法。最后,结合路网各项指标对信号控制优化方法进行分析,通过算例应用证明了方法的有效性。     

工程车辆翻车保护结构试验台测试系统研发

翻车保护结构试验台是用来检测工程车辆驾驶室安全强度的重要试验装置,按照国际及国内相关检测标准,提出了一种基于虚拟仪器的便携式测控系统方案;采用便携式PC机和USB同步采集卡,利用LabWindows/CVI软件,使用多线程等关键技术进行系统开发;针对能量计算要求精度较高,提出了一种改进能量计算精度的算法;针对现有检测标准中评价方法的不足,提出一种比较实用的评价方法;该系统实现了数据采集、实时显示与存储、数据回放、生成数据报表等功能,系统运行稳定可靠。     

结合特征选择与集成学习的密码体制识别方案

在密文识别过程中,加密算法是进一步分析密文的必要前提。然而现有密文识别方案存在形式单一的问题,并且在识别多种密码体制时难以应对不同密码体制间存在的差异。分析密文特征对识别效果的影响机制,结合Relief特征选择算法和异质集成学习算法,提出一种可适应多种密码体制识别情景的动态特征识别方案。在36种加密算法产生的密文数据集上进行实验,结果表明,与基于随机森林的密码体制分层识别方案相比,该方案在3类不同密码体制识别情景下的识别准确率分别提高了6.41%、10.03%和11.40%。     

考虑胜任力水平的研发项目群人力资源调度

在资源受限项目调度问题中,将可更新资源进一步拓展为具有胜任力差异的人力资源,建立考虑胜任力差异的人力资源受限项目调度问题模型,该模型是对传统多模式资源约束项目调度问题（MRCPSP）更接近研发项目群实际的扩展。提出了衡量人员胜任力的参数及估算公式,以多项目总工期和总成本最小化为双目标,建立相应的数学优化模型。按双目标重要性排序,依次对工期最优及成本最优的单目标优化问题求解。根据模型的约束条件将多项目初始网络图转化为几种单项目初始网络图,利用枚举算法给出满足约束条件的可行解集,再设计基于动态规划思想的算法进行分阶段寻优。数值实验表明,考虑了胜任力差异的数学优化模型在求解质量方面具有良好性能。     

基于最大后验概率-马尔科夫随机场的二进制体数据优化

许多三维重建算法的结果以二进制体数据的形式给出,然而直接从中抽取等值面会造成阶梯化、锯齿化等走样现象.为此提出基于最大后验概率?马尔科夫随机场的二进制体数据优化方法.假设目标数据是随机变量并具有马尔科夫性,通过计算其最大后验概率推导了通用的优化公式,以及在常用模型下的优化公式;在此基础上,用户可选择不同的先验模型和观察模型来预测数据最有可能的取值,并将其作为优化结果.实验结果表明,文中方法可用于二进制体数据的可视化,光顺,去噪,修复等.     

一种优化WSNs节点部署的变步长虚拟力算法

针对传统虚拟力算法的后期稳定性较差,容易导致覆盖率降低的问题,提出了一种基于sigmoid函数的变步长虚拟力算法,通过每次迭代减小误差的方法,调整节点每次移动的步长,即节点移动的速度,提高收敛速度和后期稳定性.采用0—1圆盘节点感知模型,在800 m×700 m的矩形监测区域内,对提出的算法进行了仿真研究.仿真结果表明:与传统虚拟力算法相比,所提算法在保证收敛速度的同时,覆盖率均值提高了4.23%,覆盖率最优值提高了1.52%,稳定性提高了95.05%.     

基于elastic net方法的静息态脑功能超网络构建优化

脑网络分析已广泛应用于神经影像领域的研究。超网络构建方法被提出用于描述多个脑区之间的高阶关系。超网络是根据静息态功能磁共振成像时间序列通过稀疏线性回归方法构建。在已有文献中,用于构建超网络的稀疏线性回归模型是采用lasso方法解决。然而这种方法存在局限,在超边构建时不能够有效的解决脑区之间的组效应。针对这一问题,本文提出将elastic net方法引入到超网络构建中,并且应用于抑郁症患者与正常被试的分类。实验结果显示基于lasso与基于elastic net的方法分别可以达到83.33%与86.36%的分类准确率。分类结果表明与原有方法相比,基于elastic net的方法可以得到更为有效的特征以及更好的分类效果。     

基于脑功能超网络的多特征融合分类方法

针对在超网络上提取局部脑区指标作为特征,忽视了全局的拓扑信息,继而影响网络拓扑的评估,降低分类器性能的问题,提出了一种基于脑功能超网络的多特征融合分类方法,该方法首先在抑郁症数据集上构建超网络,其次将局部脑区特征和子图特征进行融合。最后采用基于多核的SVM分类器进行分类。为了验证所提方法的有效性,选取28例正常被试和38例抑郁症患者进行实验,结果表明,该方法获得了令人满意的分类准确率,平均可达91.60%。获得的异常区域包括左侧舌回、左侧尾状核、左侧丘脑等重要的抑郁症病发区域。故而该基于脑功能超网络的多特征融合分类方法可以有效地用于分类正常人和抑郁症患者。