一种与坐标系无关的误差曲线拟合法

提出一种基于局部坐标系下三次样条函数的误差曲线拟合法,该法不仅使所拟合的误差曲线具有连续的一、二阶导数,而且保证所拟合的误差曲线不随坐标系的改变而改变。使用该法能获得具有较好的光顺性和一致性的误差拟合曲线。     

带顶盖的半球形静电分析器的计算机模拟

从解带顶盖的半球形90°静电分析器关于势分布的Laplace方程开始,建立了荷电粒子在分析器中的运动方程,确定了以时间为参量的粒子运动轨道,引出了传输函数和几何因子的表达式,从而提供了一套适用于带顶盖的半球形90°静电分析器的模拟方法.为了使用方便,给出了传输函数和几何因子的尺度性质.所编制的程序特别地被应用于Sablik等的分析器原型,在现在的模拟结果和Sablik等的结果的对比中,评估了本文描述的模拟技术的精确性.      

橡胶变形响应的非线性有限元分析

由于材料及几何两方面的原因，橡胶有限元分析中具有很强的非线性性质。此外，又因为问题中含有不可压约束条件，使得分析变得更加复杂，其结果，不恰当的单元列式将导致“锁闭”现象，从而得出错误的解答；使用低阶单元会造成压力的不稳定；等。本文将讨论并比较不同的能量函数及有限元列式，推导本构关系式，并建议一种新的迭代技术，已经通过一些典型例题的解析和数值解，证明了它们有优良的数值特性及逼近绝对不可压缩体的能力。     

GRECO建模在VC++4.0中的实现机制

GRECO(Graphical Electromagnetic Computing)技术是目前分析高频区复杂目标雷达散射截面(RCS)最有效方法之一.对复杂目标而言,应用GRECO方法的一个重要工作就是对目标的几何造型进行准确地建模,才能获得令人满意的结果.文中结合C-R样条建模理论,阐述了在Windows NT环境下利用VC+ +4.0与OpenGL为GRECO方法进行建模的机制.以标准体与复杂目标为实例,给出了与实验结果符合良好的RCS曲线,具有工程实用价值.      

一种新的能量谱熵图像聚焦评价函数

针对计算机视觉中图像聚焦评价函数的选择与设计问题,首先对图像聚焦评价函数的基本概念和特征进行了讨论,然后对目前几种主要的图像聚焦评价函数（ 灰度变化函数、梯度函数、图像灰度熵函数、频域类函数） 进行了分析．在此基础之上提出了一种新的能量谱熵函数评价方法,并且给出了相应的计算公式．该函数的理论依据较之目前常用的评价函数更为充分,最后给出了与其它几种主要评价函数的实验对比结果,证明了能量谱熵函数比其它评价函数在评价图像聚焦质量方面更为准确、稳定和可靠．     

基于SSI模型的加速应力试验定量评估方法

为了解决传统应力-强度干涉模型(SSI,Stress-Strength Interference)不能对加速应力试验(AST,Accelerated Stress Testing)进行可靠性指标随时间变化的定量评估问题,针对应力和强度均引入了随机过程进行描述.首先假设了产品强度退化过程和应力变化分别为漂移布朗运动和对称布朗运动.其次,为了解决Basu的布朗运动SSI模型在零时刻可靠度为1的问题,从工程角度,假设产品设计制造过程与试验或使用过程相互独立,提出了产品可靠性是设计生产决定的固有可靠性以及试验使用过程确定的使用可靠性的串联结果.通过将传统应力强度干涉模型结合Basu的布朗运动SSI模型,建立了与时间相关的应力强度干涉模型IMSDⅠ,并给出了相关评估方法.基于将加速应力试验与加速退化试验相结合,改进了已有的AST试验方法,扩大了试验数据量,最后,通过仿真算例验证了本文模型和评估方法的理论正确性和工程可实施性.      

应用OFI和Preston管测量亚跨声速摩擦应力

在0.6m×0.6m亚跨超声速风洞中,采用油膜干涉测量技术（OFI）和Preston管方法开展了马赫数0.4~0.8下的平板模型表面摩擦应力测量实验研究。模型头部经过椭圆化处理,避免出现流动分离。实验发现:在亚跨声速条件下,两种方法的测量结果具有很好的一致性;油膜粘性对摩擦应力测量结果影响很小;当来流马赫数或总压发生变化时,摩擦应力系数随来流动压或马赫数与雷诺数的乘积（Ma·Re）的增大而减小。在Ma=0.4和0.6时,观测到一种类似斑纹的干涉图像,基于其特性分析,提出以此作为一种转捩判据的设想;在Ma=0.8时,未观察到类似斑纹,根据油膜图像和数值模拟结果判断,模型头部出现了分离泡,边界层由分离诱导转捩。     

一种计算复合材料层合板面外应力的新型线性分析方法

复合材料层合板壳结构的面外应力对于层间分层的起始和扩展具有重要意义。首先简要地给出了经典的非协调位移有限元列式,然后基于修正的H-R变分原理导出了单元面外应力变量与位移变量的关系。面外应力的有限元线性系统为面外应力边界条件的引入提供了方便。同时,通过该线性系统可直接获得节点上唯一且连续的面外应力结果。与非协调位移有限元的结果比较,本文的方法可明显地提高数值结果的精度,且计算效率及资源要求均优于非协调辛元法和非协调广义混合元法。     

基于函数链神经网络的深度分类器

目前的宽度学习系统（Broad learning system,BLS）通过所建立的一系列映射节点和增强节点来形成联合节点。因为联合节点与输出层的线性连接,网络权值可以用求解伪逆的方法快速求得,避免了耗时的训练过程,从而成为快速而高效的学习方法。然而在追求高精度结果的过程中,BLS对于增强节点数量的需求过于巨大,容易造成过拟合问题。为此,本文提出了基于函数链神经网络（Functional-link neural network,FLNN）的深度分类器（FLNN based deep classifier,FLNNDC）,旨在提供一种更加简单却又不失精度的BLS变体结构。FLNNDC将几个轻量级的BLS子系统堆积成栈式结构,每一个轻量级的BLS子系统随机选择一部分映射节点生成增强节点,而不是全部映射节点。和原宽度结构相比,在几个主流数据集上的实验结果表明本文所提出的FLNNDC分类器具有网络结构更小且学习速度更快的优势。