正态云模型雾化性质统计分析

对于超熵较大情况下的正态云模型,说明了云模型雾化过程.通过统计分析云滴离散的整体趋势,说明超熵增大过程中,云滴整体趋于离散.通过分析各论域区间内云滴离散趋势,说明靠近概念核心的云滴的离散速度相对缓慢.归纳云模型雾化性质:在超熵取值持续增大的过程中(HeEn/3),正态云表示的概念的论域范围持续增大,呈雾化状态,但靠近概念核心的论域区间内的云滴不失数量优势.雾化性质适用于建模偏离正态分布、缺乏共识的定量数据,期望表示概念语义值核心,熵描述概念语义的离散程度,超熵表示各种语义的共识程度,扩展了云模型知识表示的应用范围.     

一种基于稀疏分解的静电信号去噪方法

介绍了发动机静电监测技术的原理,对静电监测信号的复杂噪声成分和类型进行分析,总结了以往经典去噪方法的不足。针对静电信号复杂噪声滤除问题,提出了一种基于稀疏分解理论的静电信号去噪方法。分析了基于稀疏分解的静电信号去噪方法流程;以所构建仿真信号和实测试车静电信号作为分析对象,利用所提方法进行了去噪分析与实例验证,并与其他经典方法的去噪效果进行了对比。结果表明:基于稀疏分解的静电信号去噪方法具有很高的灵活性,能对信号背景中包含的高斯白噪声以及工频干扰噪声能够进行有效地去除,同时能够对于有用脉冲信号的成分进行保留,针对复杂静电信号去噪问题具有良好的应用效果。      

基于高维机器学习方法的离心泵扭曲叶片优化

提出将高维表示方法与机器学习中的支持向量机方法结合对离心泵扭曲叶片优化.选用1台中比转速离心泵为研究对象,通过对扭曲叶片3条叶片型线的参数化,分离控制变量并确定代理模型的训练空间.经过对离心泵扭曲叶片水力模型的算法学习,得到以叶片型线参数为自变量,效率为目标函数的离心泵代理模型,运用遗传算法求解并反馈叶片型线参数.采用...     

基于原子加权稀疏表示的图像融合算法

图像融合一直以来都是图像处理与机器视觉领域中极其重要的研究方向,而稀疏表示(Sparse Representation,SR)是当前应用最为广泛的图像表示理论之一.针对传统的基于稀疏表示的图像融合策略对超完备字典信息利用不足的问题,提出了基于原子加权稀疏表示(Atom?weighted Sparse Represent...     

空-空导弹打靶专家仿真系统

 本文介绍一个为检验空空导弹性能而研制的空空导弹打靶专家仿真系统。该系统采用专家经验选择导弹初始攻击条件和目标的逃逸策略,因而可以大大减少检验导弹性能所必需的仿真次数。该系统采用通用型数学模型,并把与具体导弹及目标有关的知识与一般性知识分开,因而具有较强的通用性。     

BIT综合表示模型研究

 在分析机内测试(BIT)主要设计要素组成的基础上,提出了BIT综合表示模型。建立了BIT综合表示模型的数学定义,包括BIT单元模型、BIT层次关系集合、BIT数据传送方式集合、BIT执行次序集合和BIT综合表示模型。在数学定义的基础上,进一步建立了BIT综合表示的框图模型和表格模型,这两种模型可以直接用于工程分析。最后,以某辅助导航系统为案例,进行了BIT综合表示模型的应用,给出了框图模型结果和表格模型结果,验证了该模型的可用性和有效性。     

两种基于方差的全局灵敏度分析W指标改进算法

在全局灵敏度分析(SA)中,基于方差的灵敏度分析指标(包括Sobol指标和W指标)应用广泛。其中Sobol指标是将输入随机变量固定于特定点时,求得其对输出响应量的平均影响;而W指标求解当输入随机变量在各自分布区间上缩减变化时,输入变量对输出响应量的影响程度。相比Sobol指标,W指标所反映的信息更加全面。但目前对W指标的求解方法还比较欠缺,双层重复抽样蒙特卡罗(DLRS MC)方法和双层一次抽样蒙特卡罗(DLSS MC)方法是两种传统的求解方法。针对W指标的求解问题,提出了两种新算法:改进的蒙特卡罗模拟(AMCS)和基于稀疏网格积分(SGI)的方法。AMCS只需抽取一组样本便可计算出所有变量的各阶W指标,由于该方法是通过筛选策略来计算条件区间上的方差,避免了DLSS MC法中由于小数取整带来的计数误差,从而提高了计算W指标的精度。基于SGI的方法则利用稀疏网格积分来计算三重矩进而得到W指标,由于该方法继承了稀疏网格积分的高效性,因而进一步提高了W指标的计算效率。最后,给出了两个数值算例和一个工程算例,用于验证所提方法求解W指标的准确性和高效性。     

基于知识模型的飞机复合材料构件设计知识库系统

随着复合材料在飞机上用量的日益增多,复合材料构件的设计制造成为飞机设计制造过程中最重要的环节之一.材料成形和构件成形同时完成的特点决定了复合材料在设计制造方面与金属材料相比具有独特性和复杂性,需同时兼顾材料选择、铺层设计以及制造工艺对设计的影响等.     

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。      

有限元线性方程组改进的全稀疏存贮方法

有限元线性方程组的系数矩阵一般具有稀疏性和对称性的特点,全稀疏存贮方法就是利用这些特点,只存贮对称部分的非零元素,采用链表式管理,即节省存贮空间,又便于动态更改;但在实际求解计算时,查找元素花费的时间较多;这里给出了一种改进的方法,是在链表的基础上生成相应的线性表,能够方便快速查询元素,使存贮结构同时具有链表和线性表的优点.数值算例证明该存贮方案在时间和存贮上都较为占优,可靠高效,能够应用于有限元线性方程组的求解.