面向集成化的形状特征分类与表示

针对 CAD,CAPP,NC各系统对形状特征的不同认识、需求的特点 ,提出基于加工的形状特征分类和分层特征表示方法。利用面向对象技术对各类特征进行封装处理 ,提供用户合理的访问权限和全面有效的信息     

三种类型的质子耀斑

根据SMM卫星观测资料,分析了GRL,PE和GRL/PE三种类型质子耀斑在硬X射线辐射特征上的差异。结果表明,存在的差异与粒子加速区(或作用区)分别处于不同的日面高度有关。      

航空产品重要度分类的模糊评判方法

提出一种航空产品重要度分类的模糊评判方法。建立了进行航空产品重要度分类的模糊综合评判模型。该模型描述了重要度分类中的模糊因素,避免了重要度分类逻辑决断法的缺陷和不足。最后给出了该方法的一个应用实例。     

产生CIM环境下分类编码系统的专家系统研讨

论述了已经设计出的一个自动生成零件分类编码专家系统（ＳＴＪＬＢＭ－１）的原理、结构以及运行过程。在计算机集成制造（ＣＩＭ）的环境下,把原系统中的试套系统作一定的改变,知识库内根据新条件下的需求增补新知识,最后便可得到适合于某个企业特点的新的分类编码系统。     

基于最大熵的自动确定多阈值方法

针对图像多阈值分割中,人为给定而非自适应确定图像分类个数的缺点,结合一种基于最大熵的多阈值快速算法,同时考虑阈值及图像分类个数的影响,提出了自适应确定分类个数的判据。该算法不仅能够快速确定阈值,同时可以确定分割图像的分类个数。实验结果表明,该算法效果理想。     

基于Driscoll凹腔稳焰模型的超声速燃烧火焰稳定尺度效应研究

为了研究超声速燃烧室尺度放大后,保持火焰稳定边界相对于基准燃烧室不变,凹腔火焰稳定器几何参数应遵循何种放大准则的问题,基于已有的Driscoll凹腔稳焰数学模型,采用典型的单凹腔矩形截面燃烧室作为基准燃烧室,分别计算基准燃烧室在贫燃和富燃状态时的火焰稳定准则数DaNP,再按照燃烧室尺度放大定义写出尺度放大燃烧室的稳焰准则数表达式Da''NP,将稳焰边界不变作为约束条件,构建尺度放大准则方程式DaNP= Da''NP,求解准则方程式获得凹腔几何参数放大准则表达式,绘制准则特性曲线,分析归纳近似准则,并通过数值计算方法初步验证准则的有效性。采用Driscoll凹腔稳焰模型的尺度效应分析结果表明,燃烧室放大一定倍数n后,无法通过调整凹腔长度和深度放大倍数k1和k2使得贫燃熄火边界保持不变;但是,可以通过调整参数k1和k2使得富燃熄火边界保持不变,此时凹腔几何参数遵循的放大准则近似为 k1≈k2≈n1/4。     

基于块对角投影表示的人脸识别

针对大多数特征表示算法在挖掘高维数据内在结构时容易受到噪声的影响,以及特征学习与分类器设计割裂导致分类性能降低的问题,提出了一种新的基于特征表示的人脸识别方法,称为块对角投影表示（BDPR）学习。首先,利用样本信息对每类样本的编码系数施加一个加权矩阵,通过局部约束来加强表示系数之间的相似性,从而降低噪声对系数学习的影响,使所提方法能够更好地保持数据的局部结构。其次,为了实现数据与编码系数相关联,降低表示系数的学习难度,构造了块对角化判别约束项来学习一个判别投影,通过投影从低维数据中提取样本表示系数,使系数包含更多的样本间全局结构信息且具有更低的计算复杂度。最后,将系数学习和分类器学习整合到同一框架下,同时增大不同类别样本间的“标签距离”,采用迭代求解的方式交替更新判别投影和分类器,最终得到最适合当前表示特征的分类器,使得所提方法能自动完成分类。多个公开的人脸数据集上的实验结果表明:较之传统的协作表示分类和多个主流的子空间学习方法,所提方法均取得了更优的识别效果。      

基于对抗和迁移学习的灾害天气卫星云图分类

针对卫星云图中的灾害天气数据存在严重不平衡问题,提出一个结合生成对抗学习（GAN）和迁移学习（TL）的卷积神经网络（CNN）框架以解决上述问题进而提高基于卫星云图的灾害天气分类精度。该框架主要包含基于GAN的数据均衡化模块和基于迁移学习的CNN分类模块。上述2个模块分别从数据和算法层面解决数据的类间不平衡问题,分别得到一个相对均衡的数据集和一个可在不同类别数据上提取相对均衡特征的分类模型,最终实现对卫星云图的分类,提高其中灾害天气的卫星云图类别分类准确率。与此同时所提方法在自建的大规模卫星云图数据上进行了测试,消融性和综合实验结果证明了所提数据均衡方法和迁移学习方法是有效的,且所提框架模型对各个灾害天气类别的分类精度都有显著提升。      

基于BP神经网络的含褶皱复合材料强度预测

利用BP(Back propagation)神经网络处理多参数问题具有的非线性映射及泛化能力,构建了具有3层隐藏层的神经网络,对含纤维褶皱复合材料层合板的压缩强度进行预测。基于LaRC失效准则建立三维损伤模型,对含褶皱复合材料的压缩失效进行数值分析。将数值分析结果作为数据样本对神经网络进行训练。采用黄金分割法快速确定最佳隐藏层神经元数量区间范围,并通过分析对比不同数量神经元模型的强度预测结果及评价指标,确定具有高预测精度的隐藏层神经元数量。结果表明,所构建的神经网络预测最大褶皱角为5.6°、9.9°和11.4°的3种层合板失效强度误差分别为3.4%、4.6%和-0.01%。本文所发展的基于BP神经网络对复合材料强度进行预测的方法,为工程应用中复合材料强度评估提供了一种有效的途径。     

非结构化数据的多粒度集成分类方法

深度学习模型已经在文本和图像等分类任务上取得了不错的效果,然而深度学习模型很难为分类结果提供可解释性。本文提出一种非结构化数据的多粒度集成分类方法,与其他学习方法相比,多粒度集成分类方法能够保留数据的上下文信息。在多粒度集成分类方法中,数据被划分成不同的粒度,用于训练不同的基学习器,这些学习结果为集成模型最后的分类提供了可解释性。基学习器根据它们在验证集上的精度被赋予不同的权重,从而构造出一个较好的集成学习器。在实验中,本文验证了所提出模型在3种非结构化数据类型（文本、医学图像和时间序列）上的有效性。实验结果表明, 本文的模型比现有的基准方法简单,具有较好的分类精度,并且能够为数据的分类提供可解释性。