济南战役纪念馆体内布索预应力网架设计

以工程设计实例为背景 ,探讨了预应力索在网架结构中的作用并介绍了一种新型的布索方案———体内布索。体内布索可以提高结构的承载力和刚度 ,能更好地满足建筑功能、室内效果及索的防火、防腐等要求 ,还可以通过求解最佳预应力值和优化杆件截面设计使结构更加经济合理。     

浅水多途环境下地震波传感器二维DOA估计

利用单个三轴地震波传感器可对水中目标进行被动探测和定位,为了提高地震波传感器的目标分辨能力,将MUSIC算法用于单地震波传感器的方位估计中。针对传统MUSIC方法在相干信号源条件中性能下降的问题,提出斜投影极化分离方法对水中多径传播信号进行分离,在不同的极化状态空间对目标的空间谱进行估计实现水中目标的高分辨方位估计。仿真结果表明,该方法依靠单个地震波传感器便可实现浅水多途环境下的高分辨方位估计。湖试数据的处理结果验证了该方法的有效性。     

基于自适应深度集成网络的概念漂移收敛方法

概念漂移是流数据挖掘领域中的一个重要且具有挑战性的难题.然而,目前的方法大多仅能够处理线性或简单的非线性映射,深度神经网络虽然有较强的非线性拟合能力,但在流数据挖掘任务中,每次只能在新得到的1个或一批样本上进行训练,学习模型难以实时调整以适应动态变化的数据流.为解决上述问题,将梯度提升算法的纠错思想引入含概念漂移的流数据挖掘任务之中,提出了一种基于自适应深度集成网络的概念漂移收敛方法 (concept drift convergence method based on adaptive deep ensemble networks,CD＿ADEN).该模型集成多个浅层神经网络作为基学习器,后序基学习器在前序基学习器输出的基础上不断纠错,具有较高的实时泛化性能.此外,由于浅层神经网络有较快的收敛速度,因此所提出的模型能够较快地从概念漂移造成的精度下降中恢复.多个数据集上的实验结果表明,所提出的CD＿ADEN方法平均实时精度有明显提高,相较于对比方法,平均实时精度有1%～5%的提升,且平均序值在7种典型的对比算法中排名第一.说明所提出的方法能够对前序输出进行纠错,且学习模型能够快速地从概念...     

重庆市区酸沉降在植被危害调查中遥感技术的应用

在四川（包括重庆市）高硫煤资源及其开发利用对环境影响调查项目中，采用航空遥感手段对重庆市区酸沉降对植被的危害现状进行了调查。在波谱测试的基础上建立了受害植被彩红外航片解译标志，通过图像解译，结合野外调查，查明了重庆市区植被受害等级及其分布范围。为重庆市环境保护和环境治理提供了重要依据。     

一种基于多光谱特征的空中目标识别方法

分析了空中目标的红外辐射特性,从普朗克黑体辐射定律出发,得到目标的多光谱电压响应序列。从现有的目标识别方法中提出一种以多光谱探测器各波段电压响应均值及方差为特征量来表征红外目标特征的方法,从而快速简洁地从多光谱繁杂的信息中提取红外目标的特有特征。     

基于线性Drucker-Prager模型的PBX准静态弹塑性变形分析

根据高聚物粘结炸药(PBX)的力学特性,将线性Drucker-Prager模型引入到PBX材料的弹塑性变形研究中。基于线性Drucker-Prager模型,结合经典塑性理论,分析了PBX准静态弹塑性变形过程。明晰了其后继屈服面的特征,推导了其刚度算法,构造了其弹塑性本构模型。从理论上分析了单轴压缩状态、双轴压缩状态条件下的应力应变关系。利用线性Drucker-Prager模型模拟了PBX材料的单元特性。结果表明,其单轴压缩模拟结果和双轴压缩模拟结果均与理论分析结果、实验数据一致。经对比,双轴压缩的极限强度是单轴的1.16倍,相应塑性应变是其0.5倍。     

热弹性环境下HMX基PBX厚壁结构件失效破坏分析

针对高聚物粘结炸药(PBX)厚壁球结构件引入稳态温度场,并展开了热弹性变形分析,讨论了热应力作用下构件的失效破坏状况。采用包括最大拉应力准则、von-Mises准则、Mohr-Coulomb准则、Drucker-Prager准则等强度准则来分析了厚壁球结构件的承受温差能力与最先破坏点位置,并通过无量纲分析分离出与结构形状尺寸相关的参数因子,从而获得PBX普通结构件的承受温差能力规律。结果表明:Drucker-Prager准则能够较为准确描述PBX厚壁球结构件的失效破坏状况;PBX结构件失效破坏状况与材料特性、结构尺寸等因素相关,提高材料抗拉强度和降低材料弹性模量、优化结构尺寸及形状能提高其承受温差能力。室温下,PBX结构件承受温差能力可以认为由拉伸破坏应变决定,提高PBX炸药的拉伸破坏应变,可以提高其承受温差能力。比较了热环境下三种PBX炸药PBX-A、PBX-E和PBX-C相同结构件下的材料性能,PBX-A的承受温差能力是PBX-C的5.6倍,PBX-E的承受温差能力是PBX-C的4.4倍。     

基于增量学习的非平衡SVM分类方法

针对传统支持向量机（SupportVectorMachine,SVM）无法有效处理非平衡分类的问题,提出一种基于增量学习的非平衡SVM分类方法（ImbalancedSVMBasedonIncrementalLearning,ISVM_IL）。该方法首先提取多数类样本中的部分样本,与少数类样本合并参与训练得到初始分类器,然后根据分类器与其他样本的关系,选择距离分类器最近的样本作为增量样本加入训练集参与训练,从而减小实际参与训练的负类数据规模,提高非平衡分类的性能。实验结果表明,本文提出的ISVM_IL方法可以有效提高非平衡分类中重要的少数类样本的分类性能。     

采用划分融合双向控制的粒度支持向量机

粒度支持向量机（granular support vector machine,GSVM）引入粒计算的方式对原始数据集进行粒度划分以提高支持向量机（support vector machine, SVM）的学习效率。传统GSVM采用静态粒划分机制,即通过提取划分后数据簇中的代表信息进行模型训练,有效地提升了SVM的学习效率,但由于GSVM对信息无差别的粒度划分导致对距离超平面较近的强信息粒提取不足,距离超平面较远的弱信息粒被过多保留,影响了SVM的学习性能。针对这一问题,本文提出了采用划分融合双向控制的粒度支持向量机方法（division-fusion support vector machine,DFSVM）。该方法通过动态数据划分融合的方式,选取超平面附近的强信息粒进行深层次的划分,同时将距离超平面较远的弱信息粒进行选择性融合,以动态地保持训练样本规模的稳定性。通过实验表明,采用划分融合的方法能够在保证模型训练精度的条件下显著提升SVM的学习效率。     

一种动态的主动多分类方法

在面向大数据问题的应用领域中,由于现实世界的多样性和复杂性,经常会遇到大规模的多类别数据挖掘问题,传统的多分类方法一方面存在着超平面不平衡更新的问题,另一方面学习效率较低,对于复杂的多类别数据无法进行高效分类。针对这个问题,本文提出了一种改进的动态主动多分类（Dynamical active multiple classification, DYA）方法,该方法通过将死锁、激活等概念引入到主动多分类过程,在主动多分类过程中随着分类器的不断更新,动态地控制样本是否参与主动学习的过程;同时,采用分位计数、轮换学习方式的主动多分类方法,使得多类别的分类器能够得到平衡的学习和更新。实验结果表明,本文提出的动态主动多分类方法有效提高了模型的学习效率和泛化性能。