静压桩挤土效应问题的研究

在饱和软粘土中静力压桩会产生严重的挤土效应，它对桩周土体、周围建筑物和其他工程环境将产生严重的不良影响。这一问题早已引起了人们的关注，最早的研究始于５０年代，至今这一问题仍然是一研究热点。由于该问题非常复杂，涉及到多方面的基本问题，虽然已有很多学者采用不同的方法对该问题进行了研究，但仍然没有获得满意的结果。通过简要分析前人主要的研究方法和成果并指出其局限所在，然后提出进一步开展该项研究所应注意的问     

筏—桩—土共同作用分析方法

提出了一种分析筏－桩－土共同作用工作性状的实用计算方法－位移协调法，该方法假这筏板与土地基位移协调，对矩形筏板根据其边界条件和变形性状采用一种双重三角形数位移模 桩在采用单储计算方法－考虑桩压缩性的位移协调法，分析桩土之间的相互影响。     

筏－桩－土共同作用分析方法

提出了一种分析筏－桩－土共同作用工作性状的实用计算方法—位移协调法［１］．该方法假定筏极与桩土地基位移协调，对矩形筏板根据其边界条件和变形性状采用一种双重三角级数位移模式．对拉土地基采用单桩计算方法—考虑桩压缩性的位移协调法［１，２］，分析桩土之间的相互影响。根据位移协调条件和力平衡条件建立筏－桩－土共同作用的分析方程．可求解筏板与桩土地基之间的接触应力、桩土地基的应力及沉降、筏板的沉降、弯矩、扭矩及应力和桩筏基础对周围环境的影响等．文中对桩筏基础、片筏基础及性承台的分析与设计具有理论与实用价值．     

单桩非线性分析的半解析半数值方法（英）

提出了一种半解析半数值方法，该方法可用于计算埋置于多层土中单桩的荷载位移非线性分析，在本文中，采用了两种理论模型来构造单桩的传递函数，第一种模型为双曲线模型，用于计算桩土界面处的剪尖力与其相对位移的非线性关系，第二种模型为Randolph所提出的理论解，用于确定桩周土中的剪应力和位移场，对现场试验结果和有限元分析结果进行了比较后说明，按本文所建议的方法所得的三种计算结果（荷载位移曲线，证明了本文所提方法的可靠性和准确性，此外，根据本文所提的构造传递函数的方法，考虑对桩，桩对土，承台对桩的相互影响，可以构造出考虑桩－土－台共同作用的传递函数，近而可以计算分析桩－土－台共同作用。     

打桩效应的有限元分析

通常打桩过程可以看作了圆柱形空腔体的扩张，并且假设扩张是处于平面应变状态，这－假设有明显的缺陷，本文提出用空间轴Ｂｉｏｔ固结有限元法对打桩过程进行模拟，计算结果与实测值较吻俣，说明该方法是有效可行的，在些基础上，、对打桩经起的地面隆起，桩周土的应用力、位移、邻桩应力等问题进行了计算研究，得一些初步的成果。     

整体式支护结构考虑空间共同工作的简化分析方法

在对深基坑整体式支护结构空间分析的基础上，提出了考虑环梁－桩－土共同工作的平面简化分析方法，该方法通过农次渐近使空是问题转化为准二维问题，使得该类支护结构的计算分析工作量大大降低，通过与实际工程实测对比，肯定了所提方法的可行性。     

粘土中横向荷载桩的P－Y曲线法评述

在分析了目前世界上流行的各种粘土横向荷载桩Ｐ－Ｙ曲线法的基础上，从理论和应用上指出了本文作者提出的Ｐ－Ｙ曲线法与其它各种方法的差异，经过对比，得出了这种新的Ｐ－Ｙ曲线法更适用于粘土中横向荷载桩的分析和计算这一结论。     

可变式支盘扩底注浆桩技术

介绍了一种能提高单桩承载力、节约材料、缩短工期的新型桩－可变式支盘扩底注浆桩的工作原理、承载力计算方法及施工工艺，并通过工程实例进一步说明了该桩的特点、经济效益和社会效益。     

筒体结构－桩－土相互作用的分枝模态－二步分析法

将桩基模拟为各向异性弹性体，用分枝模态分析结构－桩－土空间结构体系，导出了解相互作用问题的分枝模态－二步分析法．即先对桩－土系统进行分析，将所得桩－土顶部加速度时程反应作为外荷输入基于刚基假定的结构，进行结构位移和内力分析．此方法计算规模缩小，解题灵活，适用于实际工程的抗震分析。     

一种单桩荷载-位移曲线数值计算方法的探讨

提出了一种利用荷载传递的双曲线模型计算单桩荷载－位移曲线的方法．该方法将桩划分为若干计算桩段,充分利用工程地质资料可以较好地计算出单桩荷载－位移曲线,并求得单桩极限承载力．计算结果与实测值比较吻合．     

非光滑最优化方法的应用领域

非光滑最优化是数学规划中近年来研究十分活跃的一个分枝,已经提出了不少数值方法和算法。它们有相当广泛的应用领域。本文将对能应用这些方法来求解的问题作一扼要的介绍。内容包括:极小化极大函数问题,精确罚函数,分解问题等。     

Sparse Signal Recovery via Exponential Metric Approximation

Sparse signal recovery problems are common in parameter estimation, image processing, pattern recognition, and so on. The problem of recovering a sparse signal representation from a signal dictionary might be classified as a linear constraint l_0-quasinorm minimization problem, which is thought to be a Non-deterministic Polynomial-time(NP)-hard problem. Although several approximation methods have been developed to solve this problem via convex relaxation, researchers find the nonconvex methods to be more efficient in solving sparse recovery problems than convex methods. In this paper a nonconvex Exponential Metric Approximation(EMA)method is proposed to solve the sparse signal recovery problem. Our proposed EMA method aims to minimize a nonconvex negative exponential metric function to attain the sparse approximation and, with proper transformation,solve the problem via Difference Convex(DC) programming. Numerical simulations show that exponential metric function approximation yields better sparse recovery performance than other methods, and our proposed EMA-DC method is an efficient way to recover the sparse signals that are buried in noise.     

桥梁的损伤识别

现在很多桥梁都安装了监测系统 ,自动损伤识别是桥梁健康监测系统的核心技术和热点研究问题。文章介绍了几种桥梁损伤的识别方法 ,包括动态法、静态法、有模型法、无模型法、位移法、应变法以及 BP和 RBF神经网络法的比较。目前健康监测系统尚不具备损伤识别能力。如何设计一个高效的用于结构损伤识别的自动损伤识别系统 ,是个值得研究的问题     

基于NLMS线性相位FIR滤波器的自适应设计

在以往具有线性相位的滤波器自适应方法中,最常用的是最小均方（ＬＭＳ）方法。但用此法设计时必须小心地选择迭代步长,同时还可能遇到梯度噪声放大问题。文中提出了一种用于设计具有线性相位的有限冲击响应（ＦＩＲ）滤波器自适应方法。它用经过改进的归一最小均方（ＮＬＭＳ）算法来保证所得结果具有线性相位,且克服了梯度噪声放大问题,同时也不必选择步长。进一步的改进使它的计算更高效,实时实现更方便。     

用最小生成树解决TSP问题

旅行商问题(Traveling Salesman Problem，TSP问题)是组合优化领域中研究最多的问题之一，是一个经典的NP难题，也是目前优化领域里的研究热点。目前解决旅行商问题有诸多算法，神经网络、遗传算法、免疫算法等，在各种解决旅行商问题的算法中，还是存在很多问题。本用最小化生成树来求解旅行商问题。在对题目要求进行深入分析的基础上，对原有算法进行了多方面改进，并用C语言进行了实现。采用选取排除最长路径顶点的方法降低时间复杂度、采用比较顶点次序的方法提高算法准确性、通过自动产生顶点坐标降低输入复杂性和测试的准确性，实验结果表明该算法可以取得较好的效果。     

求解一阶常微分方程逆初值问题的分形方法

分形作为现代数学的十大成果之一，在现代社会的应用和理论研究方面都占有举足轻重的作用．从微分方程逆问题应用领域的广泛性出发，对前人认为求解很难的逆问题进行了深入的研究和分析，利用分形的图像编码方法讨论了一阶微分方程逆初值问题的求解，并用实际例子对该方法的精确性和有效性作了完整的说明。     

相对微分/差分法搜索非线性规划极值点的充分条件

求解非线性规划有两个问题：一是采用搜索算法时如何判断搜索的结束，二是如何确定所得到的解是局部最优解还是全局最优解．过去一般基于容许误差法解决第一个问题，而第二个问题迄今没有解决．为此给出了两个极值点的充分条件，这是解决第一个问题的一个新方法；给出了判断局部极值点和全局极值点的方法，解决了第二个问题．应用相对微分／差分法解连续和离散非线性规划，在搜索过程中一旦满足了两个充分条件之一，就达到了极值点．根据搜索方向很容易确定极值点是极大点还是极小点．算例表明这两个充分条件对结束搜索有着实用意义．     

Prediction of Protein-Protein Interactions by a Novel Model Based on Domain Information

Domain-based protein-protein interactions( PPIs) is a problem that has drawn the attentions of many researchers in recent years and it has been studied using lots of computational approaches from many different perspectives. Existing domain-based methods to predict PPIs typically infer domain interactions from known interacting sets of proteins. However,these methods are costly and complex to implement. In this paper, a simple and effective prediction model is proposed. In this model,an improved multiinstance learning( MIL) algorithm( MilCaA) is designed that doesn't need to take the domain interactions into consideration to construct MIL bags. Then, the pseudo-amino acid composition( PseAAC) transformation method is used to encode the instances in a multi-instance bag and the principal components analysis( PCA) is also used to reduce the feature dimension. Finally, several traditional machine learning and MIL methods are used to verify the proposed model. Experimental results demonstrate that MilCaA performs better than state-of-the-art techniques including the traditional machine learning methods which are widely used in PPIs prediction.     

基于网络拓扑相似性预测潜在致病基因

相关疾病基因的发现和预测是人类基因组研究的重要目标.近些年,一些研究者通过基于网络结构的方法来解决这个难题.然而,大多数方法在推理过程中仅使用了局部的网络信息,并且仅限于推理单一基因的关联.并且这些方法很少考虑到疾病-基因关联网络的网络拓扑性.笔者提出一种改进的基于二部图网络结构推理(improved network-based inference)的计算方法.该方法基于已知的疾病-基因网络拓扑相似性来发现更多潜在致病基因.文中使用的是OMIM数据库中的203种疾病的数据,通过留一交叉验证法验证实验,并获得了88.9%的AUC值.与文中提到的另外两种方法相比,该文方法能够有效地预测潜在致病基因.     

Geospatial Data to Images: A Deep-Learning Framework for Traffic Forecasting

Traffic forecasting has been an active research field in recent decades, and with the development of deeplearning technologies, researchers are trying to utilize deep learning to achieve tremendous improvements in traffic forecasting, as it has been seen in other research areas, such as speech recognition and image classification. In this study, we summarize recent works in which deep-learning methods were applied for geospatial data-based traffic forecasting problems. Based on the insights from previous works, we further propose a deep-learning framework,which transforms geospatial data to images, and then utilizes the state-of-the-art deep-learning methodologies such as Convolutional Neural Network(CNN) and residual networks. To demonstrate the simplicity and effectiveness of our framework, we present a formulation of the New York taxi pick-up/drop-off forecasting problem, and show that our framework significantly outperforms traditional methods, including Historical Average(HA) and AutoRegressive Integrated Moving Average(ARIMA).