内壳层旁观洞态对ZnⅡ Kα和Kβ谱线的影响

利用多组态Dirac-Fock方法研究了内壳层旁观洞态对ZnⅡ Kα和Kβ线强度比值的影响．结果表明，2p旁观洞态会使Kα和Kβ线强度比值增加，而3p旁观洞态会使Kα和Kβ线强度比值减小；而且随着旁观洞态数目的增加，这种效应相应地增加。     

马氏田口施密特度量的双通道睡眠脑电信号异常检测

针对人工判别人睡眠质量存在的主观性过强、步骤烦琐以及准确性不高等局限性,采用马氏田口系统判别方法,提出一种基于马氏田口模型的睡眠质量的自动检测算法。算法通过对已被人工专家准确进行睡眠分期的人脑双通道脑电信号进行建模分析,在不同睡眠周期下,求取各个通道的标准化向量;同时进行对线性独立向量组进行施密特正交化处理,运用马氏田口施密特正交化方法计算出各个睡眠阶段的信噪比均值,以判别出睡眠质量正常者和异常者。实验表明,该算法可以有效地对睡眠质量的正常和异常进行检测。     

混沌量子粒子群的权重类条件贝叶斯网络分类器参数学习

针对贝叶斯网络判别学习方法在处理大数据集时,存在的模型训练时间长、算法迭代次数过多等问题,通过引入指数级参数,提出了混沌量子粒子群的权重类条件贝叶斯网络参数学习方法。该方法首先通过优化对数似然函数,解决生成学习的参数估计问题。然后,使用生成学习的结果,初始化判别学习的参数。最后,引入混沌映射序列,通过混沌量子粒子群优化(chaos quantum particle swarm optimization, CQPSO)算法,优化条件对数似然函数。使用权重类条件贝叶斯网络分类器对液体火箭发动机的故障进行分类,仿真结果表明,改进的方法分类精度高,误分类率低。同时,采用CQPSO与量子粒子群优化(quantum particle swarm optimization, QPSO)算法、标准粒子群优化(particle swarm optimization, PSO)算法相比,能够有效减少算法的迭代次数,提高算法的效率。     

判别类条件贝叶斯网络分类器的量子粒子群优化参数学习

针对贝叶斯网络分类器在处理多属性分类问题时,存在分类精度下降、算法运行时间过长等问题,提出一种判别类条件贝叶斯网络模型。该模型在类条件贝叶斯模型的基础上,将条件对数似然函数以对数形式重新参数化,并使用量子粒子群优化算法最大化目标函数。新模型采用判别参数学习方法,直接计算条件概率,对于分类问题更加高效。本研究将判别类条件贝叶斯网络模型与TAN分类器相结合,使用量子粒子群算法进行优化,用于对液体火箭发动机的故障诊断与分类中。针对某型号火箭的仿真数据进行故障诊断与分类,与传统的贝叶斯分类器相比,改进的分类器在处理分类问题时,准确率和学习效率更高。     

Uub(Z = 112)和Hg(Z = 80)元素的原子结构和激发态性质

在全相对论理论框架下, 通过细致考虑电子关联效应和Breit相互作用, 计算了Uub(Z = 112)和Hg(Z = 80)原子的激发态结构、共振吸收振子强度及其一价和二价离子的基态. 通过与同族Hg元素的比较, 进一步分析了相对论效应和电子关联效应对Uub元素的价轨道性质、激发态结构及一价和二价离子的基态的影响, 并预言了Uub元素的两个可能被实验观测到的共振态的能级位置和吸收振子强度.     

液体火箭发动机的分层贝叶斯变分推理故障诊断方法

针对稀疏数据场景下，传统的多项式-狄利克雷模型存在一定的分类精度问题，提出一种基于变分推理的分层贝叶斯网络的参数估计方法. 通过在传统的多项式-狄利克雷模型中引入超先验，构建出的分层多项式-狄利克雷模型可用于贝叶斯网络中的条件分布估计. 对分层多项式-狄利克雷模型的先验依赖结构进行分析研究，提出一种快速准确的自组织变分推理算法. 与传统的分类模型相比，本文提出的分层多项式-狄利克雷模型在处理小数据集液体火箭发动机的故障分类中有显著的性能提高.