结合颅骨形态特征与神经网络的民族判别

针对颅骨民族判别问题，提出结合颅骨形态特征与神经网络的判别方法，可以推进法医人类学的发展，加快探索民族发展历程。首先，根据颅骨形态学相关研究，提取36个维吾尔族和汉族颅骨数据的几何特征；其次，采用反向传播神经网络（BPNN）对特征向量进行民族判别，并通过Adam算法对网络进行优化，避免陷入局部最优值，添加正则化项保证算法稳定性；最后，分别采用2种网络结构进行对比实验，输入层、隐藏层和输出层的神经元个数分别为36、6、2和36、12、2，并设置不同初始学习率进行对比实验。结果表明:隐藏层神经元个数为12、学习率为0.000 1时，分类精度最高，测试阶段平均准确率最高为97.5%。为了验证所提方法的普适性，生成116例国外颅骨数据进行实验，测试阶段平均准确率为90.96%。相比较于支持向量机（SVM）、决策树、KNN、Fisher等机器学习方法，所提方法学习能力更强且分类精度有明显提升。      

固体材料热物性参数智能测试系统设计与研制

为实现厚度较薄固体板状材料热物性的准确测试。基于平行热线法基本原理,将温度测点由原来与热线平行布置,改为试样厚度方向布置,并考虑热穿透效应的影响,利用数值解法结合计算机编程直接测算材料热导率及热扩散率。研制了热物性智能测试系统,对硼硅玻璃、石棉、硅藻土耐火砖等进行热物性测试实验,结果表明与国家标准测试方法测试值和文献值较为吻合。考虑热穿透效应的影响,通过适当的数据处理手段,不用通过熔融加厚也可实现薄固体板状材料热物性的准确测试,有效拓展了热线法应用范围。     

Logistic判别分析及其在阴道炎疗效成因分析与预测中的应用

本文用Logistic判别方法的数学模型及主成份分析法,分析了用洁尔阴医治阴道炎疗效的成因.并与距离判别法进行比较.     

基于图像化变差函数的性能数据异常明别

为提升发动机性能监控的智能化水平,实现性能数据的高效利用,提出了基于图像化变差函数的发动机性能数据异常 判别方法。 通过研究发动机性能数据的标准化修正方法和图像转化方法,将数值型表示的发动机性能数据转化为发动机性能图像。 通过引入变差函数理论,采用 4 方向的变差函数值表示性能特征值,融合不同时刻不同参数的性能数据。 在提取发动机性能图像关 键特征点的基础上,定义性能图像间的差异距离,实现基于变差函数的发动机性能图像异常判别方法,从而实现对发动机性能状态 的判别。 选用若干组实际发动机性能数据对方法进行验证O 验证结果表明:该方法运算高效,实现了高维性能数据的降维和对性能 图像运行状态的分类,从而判别发动机性能数据的运行状态。     

超燃发动机燃烧模态判别准则初步研究

为建立超燃发动机燃烧模态定量判别准则,针对马赫数3.0,总温1500K,总压2.1MPa的来流,完成了燃烧模态的实验和数值模拟研究。对比分析了不同当量比条件下燃烧室马赫数分布和隔离段激波结构,确定了燃烧模态判别采用的两个压力测点特征位置,研究了燃油增加过程中特征位置壁面压强比值的动态特性。结果表明,随着当量比的增加,燃烧模态由超燃模态转变为亚燃模态,当量比0.6是超燃模态过渡到亚燃模态的转换点。特征位置压比变化率最大时刻的比值1.5可以作为定量判别燃烧模态的依据,当特征位置壁面压强比值小于1.5时为超燃模态,大于1.5时为亚燃模态。     

关于整系数不可约多项式

在文[1]中，作者推广了著名的Eisenstein的判别法，给出了在有理数上判断整系数不可约多项式的两个定理，并且形式比较简单，应用也比较方便。本文把文[1]中的定理作了进一步的推广，推广到更为一般的形式，相应也给出了几个判断整系数不可约多项式的定理，而形式与文[1]中的形式同样简单，比文[1]中给出的定理更具有一般性。     

校核测量有效性判别及数据处理

在实际测量工作中,为了使测量结果更可靠或校核某个重要参数的测量结果的可信赖性,往往采用高精度仪器进行比对测量,或者将精度水平相接近的多台仪器进行校核测量,然后根据数据处理规则求得最后测量结果。由于测量仪器存在系统误差。     

基于图像化变差函数的性能数据异常判别

为提升发动机性能监控的智能化水平,实现性能数据的高效利用,提出了基于图像化变差函数的发动机性能数据异常判别方法。通过研究发动机性能数据的标准化修正方法和图像转化方法,将数值型表示的发动机性能数据转化为发动机性能图像。通过引入变差函数理论,采用4方向的变差函数值表示性能特征值,融合不同时刻不同参数的性能数据。在提取发动机性能图像关键特征点的基础上,定义性能图像间的差异距离,实现基于变差函数的发动机性能图像异常判别方法,从而实现对发动机性能状态的判别。选用若干组实际发动机性能数据对方法进行验证。验证结果表明:该方法运算高效,实现了高维性能数据的降维和对性能图像运行状态的分类,从而判别发动机性能数据的运行状态。     

基于室内无线模型的穿墙损耗校正

K-M（Keenan-Motley）模型将单墙固定损耗值相加来计算室内无线信号穿透多墙的总损耗值,存在较大误差。针对该问题选取多种室内场景分别进行连续波（Continuous Wave,CW）测试,对无线信号穿墙损耗的影响因素和变化规律进行分析,提出了一种基于人工神经网络的室内无线模型穿墙损耗校正方法,对预处理后的测试数据进行训练并建立预测模型。经验证该预测模型符合校正判别准则,在实际场景下具有良好的预测准确度。