一种改进X-best引导个体和动态等级更新机制的鸡群算法

在群智能算法的改进中，常利用优秀个体加速算法收敛，但对其依赖过度会导致种群多样性和算法全局收敛性下降的现象。对此，提出一种改进X-best引导个体和动态等级更新机制的鸡群算法。首先，在个体更新阶段不仅引入优秀个体加速收敛，并且通过普通个体对优秀个体的影响进行适当平衡，因此，优秀个体与普通个体的信息都能得到利用，进而种群多样性和算法全局收敛性得到提升。其次，通过对等级更新参数进行动态优化，加强了种群等级更新机制对算法收敛的促进作用。最后，经过时间复杂度与收敛性分析，证明了改进算法仍具有简单性和全局收敛性。仿真结果表明:所提出的改进算法较其他对比算法在寻优精度、寻优成功率和收敛速度等方面都具有明显优势。      

一种针对局部结构的有限元模型修正方法

针对实际结构有限元模型（FEM）的建模误差通常仅存在于局部区域，提出了一种对局部结构单独进行模型修正的方法。首先，根据频响函数（FRF）解耦理论得到由残余结构频响函数与包含待修正参数的局部结构动刚度所重构的整体结构频响函数的拟合值，然后通过迭代优化使其与测量值的残差最小化，从而得到参数的极大似然估计。在此基础上，将残差关于参数的灵敏度以局部结构动力学矩阵表示，建立了模型修正的基本方程，利用整体结构的测试数据即可直接对分离出来的局部结构进行模型修正。最后，对喷气式飞机和三角机翼飞机分别进行了数值模拟和实验研究，验证了所提方法的可行性和有效性。结果表明，所提方法可以成功地用于仅局部区域含有建模误差的实际结构有限元模型的修正，修正后的有限元模型的动态特性与实际结构有较好的一致性。     

相关函数在涡流检测信号提取分析中的应用

为降低涡流检测信号处理的硬件复杂程度及提升后续数据分析处理灵活度，在不借助复杂硬件自平衡技术电路前提下，在LABVIEW图形化软件平台中设计了相关函数算法程序，对示波器MDO4024C所采集的原始交流电桥信号及电桥激励信号分别进行自相关及互相关运算去噪，提取分析不锈钢管不同位置的涡流信号的幅值及相位，最后再将检测信号在极坐标图中分析显示。实验结果表明，这一方法可有效实现对不锈钢管缺陷涡流信号的去噪及特征信号提取。     

多斜率自适应卷积神经网络激活函数

针对卷积神经网络中激活函数无法有效为处于不同激活程度的像素点提供特定梯度响应的问题，设计了一种由多个分段线性函数组成的自适应激活函数.首先依据像素激活值的取值范围，自适应地生成多个独立的激活域，各个激活域的并集包含激活图中全体像素点的激活值；随后在每个激活域中学习一个特定的线性函数，为处于该激活域中的像素点提供特定的梯度响应；最后以NIN网络和ResNet18网络为例，在CIFAR 10和CIFAR 100数据集上，验证所提激活函数的性能.实验结果表明，与现有激活函数相比，本文提出的激活函数，由于能够更好地为处于不同激活程度的像素点提供适当的梯度响应，使分类准确率在NIN网络上分别达到87.96%和69.01%，在ResNet18网络上分别达到88.56%和73.54%.     

独立函数的表达式及完备性

给出独立函数的逻辑表达式和递推关系式。证明了独立函数系的线性完备性。讨论逻辑函数关于独立函数系的展开式、不同极性独立函数系展式之间的关系,以及与Reed-Muller展式之间的关系。这些问题的结论为建立新型的通用逻辑模块奠定了理论基础。     

虚拟环境系统中复杂模型的建立--3D资源在快速开发虚拟环境系统中的应用

对利用3D资源在快速开发虚拟环境系统中的方法进行了研究。在开发虚拟环境系统的过程中，复杂模型的建立是必不可少的，仅仅利用OpenGL函数编程来实现仿真是很困难的，针对该问题提出了利用3D资源进行3D文件读取和转换的两种方案，分析了虚拟环境中复杂模型的建立以及处理的基本方法，并对数控车床的仿真进行了详细介绍。     

采用展宽距离压缩的受引导的MPRF空—空雷达

建立了一个ＭＰＲＦ（中等脉冲重复频率）空－空雷达试验台，并进行了涉及到低飞机载目标遭遇条件的飞行试验。该雷达工作在Ｋｕ波段，采用线性调频波形和模拟解线性调频展宽距离压缩。利用数字化任意波形产生器产生波形，且在接收 采用了直接ＩＦ（中频）数字变换。利用低成本的商用大动态范围Ａ／Ｄ变换器实现高压缩比，得到了一架Ｌｅａｒ喷气式飞机、一架直升机和几个地面动目标以及几种杂波的下视飞行试验数据。这种试验计划验     

关于综合模态屈曲理论的研究

本文讨论了综合模态屈曲理论。该理论同时考虑多个模态及其相互作用对结构屈曲的影响,能解释以往的屈曲理论所不能解释的屈曲现象,对实践有重要的指导意义。     

最小二乘直线函数的特性分析

证明了最小二乘直线函数是一种严格的凸函数。F(a,b)=∑(y-ax_i-b)~2是一个椭圆抛物面。a=[n∑x_iy_i-∑x_i∑y_i]/[n∑x_i^2-(∑x_i)~2]和b=[∑x_i^2∑y_i-∑x_i∑x_i∑y_i]/[n∑x_i^2-(∑x_i)~2]仅表示极值点。a=∑x_iy_i/∑x_i和 b=[∑x_i^2∑y_i-∑x_i∑x_iy_i]/[n∑x_i^2]在某些情况下可以是极值点,但不是在每种情况下都是极值点。