局部应变法预测飞机结构带孔部件疲劳寿命

介绍了应用Levenberg-Marquardt迭代法计算局部应力和局部应变的工作.Levenberg-Marquardt迭代法是求解超越方程的一种常用数学方法,但是缺点是程序比较复杂,计算效率较低,因此本文目的是找到一种程序实现简单、计算效率高、计算精度满足要求的计算方法,选择了二分法,并且对比分析了二分法和Leve...     

增强型整体-局部高阶理论四边形单元层合板自由边分析

基于增强型整体-局部高阶理论,构造了四节点四边形单元并分析复合材料自由边拉伸问题.本理论预先满足层合板面内位移和层间应力连续条件及层合板上下自由表面条件,未知变量个数不依赖于层合板的层数.精化四节点四边形单元满足单元间C1弱连续性条件.数值结果表明,基于增强型整体-局部高阶理论构造的四边形单元能够精确分析自由边拉伸问题.层间横向剪切应力能够直接从本构方程中计算得出,而横向法应力则需在一个单元内使用局部三维平衡方程.     

基于局部线性嵌入的高光谱影像特征提取算法

特征提取能够消除冗余信息,提高高光谱数据处理的精度和计算效率,是分类等分析必要的预处理手段.传统特征提取算法基于线性变换,无法准确描述高、低维特征空间的关系,因此采用一种新型非线性特征提取算法,即局部线性嵌入(LLE,Locally Linear Em-bedding),挖掘高光谱影像的本征信息.针对分类问题,使用训练样本类别属性修正距离矩阵,并借鉴LLE计算未知样本低维映射的方法求解测试样本的特征向量,实现监督局部线性嵌入(SLLE,Supervised Locally Linear Embedding).使用机载可见光/红外成像光谱仪数据,与3种分类算法结合进行测试,实验结果表明:SLLE优于线性特征提取算法,能够解决高光谱影像的小样本分类问题.     

局部Bagging方法及其在人脸识别中的应用

Bagging方法无法在稳定的分类器(如最近邻分类器)上构建多样的分量分类器,因此它不适合于稳定的分类器.同时,小样本特性Bagging也很难应用于人脸识别等任务中.本文提出了一种局部Bagging(L-Bagging)方法以同时解决上述两个问题.L-Bagging和Bagging的主要区别是L-Bagging在每个事先划分好的局部区域内进行自助集的采样而不是如Bagging那样在原始的样本集上采样.由于局部区域的维数通常远远小于训练样本数,并且分量分类器又是构建在不同的局部区域上的, 因此 L-Bagging方法不仅有效地解决了小样本问题,而且产生了更多样的分量分类器.在4个标准的人脸数据库(AR,Yale,ORL和Yale B)上的实验结果表明所提出的L-Bagging方法是有效的,并且对光照、遮挡及轻微的姿态变化是鲁棒的.     

一种用于移动Ad Hoc网络的拥塞适应路由协议

提出局部拥塞表概念,利用旁路、局部拥塞表和hello消息机制,对动态源路由(Dynamic source routingprotocol,DSR)协议进行改进,提出了拥塞适应动态源路由(Congestion adaptive dynamic source routing,CA-DSR)协议。在CA-DSR协议中,主节点利用局部拥塞表,能在第一时间感知到网络拥塞,当拥塞发生时,拥塞节点的上一节点能建立绕过拥塞节点的旁路,当数据流到达已建立旁路的节点时,被按比例分流在主路由和旁路上,实现了路由拥塞适应功能。协议利用hello消息对局部拥塞表进行有效维护。与DSR相比,CA-DSR协议中平均端到端延迟更短、数据包递交率更高、规格化路由开销更少。仿真结果已证明了CA-DSR协议的优点。