三参数Weibull分布下随机截尾恒加寿命试验的Bayes统计分析

利用随机截尾恒加寿命试验所获的数据，导出了三参数Ｗｅｉｂｕｌ分布在平方损失下，三个参数的Ｂａｙｅｓ估计，进一步估计了在正常应力水平下的各种可靠性指标     

土壤中四溴双酚A不可提取态残留的降解转化

四溴双酚A(tetrabromobisphenol A, TBBPA)在各种氧化还原状态土壤中均可形成大量的不可提取态残留(nonextractable residues, TBBPA-NER).然而TBBPA-NER在环境中的稳定性和生物可利用性目前还鲜见报道.本研究以TBBPA在淹水条件和有氧条件下分别形成的不可提取态残留(即flooded-nonextractable residues, F-NER和oxicnonextractable residues, O-NER)为研究对象,分析了有氧条件下F-NER的归趋,以及土壤氧化还原状态改变下, FNER和O-NER环境行为的差异;同时研究了水稻根系分泌物对上述过程的影响.结果显示,有氧条件连续培养231 d中, F-NER在土壤中发生了缓慢的生物转化.尽管F-NER在土壤中释放出的可提取态量很低(1%～6%),但是矿化10%,且酯键和醚键结合部分有所消减.土壤氧化还原状态的改变(即0～50 d有氧, 50～103 d淹水, 103～231 d有氧)对F-NER的矿化影响很小;而TBBPA-NER在土壤中的降解转化受形成条件影响较大,表现为有氧-淹水-有氧培养下F-NER的矿化量,以及释放量均显著高于O-NER. F-NER受环境因素的影响更大,水稻根系分泌物抑制了FNER在有氧环境下的矿化,而淹水条件促进了F-NER的释放产物在土壤中的累积.结果证明,土壤中添加根系分泌物以及氧化还原状态转变等,在不同程度上影响了两种NER在土壤中的生物转化.     

nt, 570311, China)Objective

0mg/perday 堑グ谥芷诠降耐频?导出了一个大摆角单摆的周期公式的多项式表达式;通过对大摆角单摆的分析建立了合适的数学模型,用c语言编写了单摆模拟程序。     

最小一乘线性回归模型研究

用5个定理给出最小一乘线性回归的相关性质,为其工程应用奠定了基础。文中首先证明了“由“最小一乘”准则确定的直线y=b1x1+ b2x2经过其两个样本点”以及“由最小一乘准则确定的直线y=b1x1+ b2x2+a经过其三个样本点”。然后应用数学归纳法得到如下定理:设有n(n>P)个样本点(x1i, x2i, ? xP i, yi,),则由最小一乘准则确定的线性非奇次模型y=b1x1+b2x2+?bPxP+a经过其P+1个样本点,而相应的奇次模型必经过其P个样本点。通过大量工程实例证实了最小一乘具有较强的稳健性,同时也证实了定理的正确性。     

Bellman不等式在复矩阵上的拓广

本文把龙永红的论文(华中师范大学学报(自然科学版),1991年1期)中实矩阵迹的不等式拓广到了任意复矩阵上.     

大型集装箱船拖曳水池敞开式风场中风阻试验与数值计算

就拖曳水池开展了风场研究,对敞开式风场风阻试验进行了可行性验证.在此基础上,对一缩尺比为1.0∶87.5的3 100箱集装箱船模进行了风阻测试与集装箱布置优化分析,结合一系列布置方案试验结果以及计算流体力学CFD数值模拟计算,讨论了集装箱布置对船舶风阻的影响.结果表明:敞开式风场中风阻试验是一种简单有效的新式测量方法;试验结果与CFD及ITTC推荐公式进行了交叉验证,具有一定可靠性,CFD在精度与细节模拟上效果更佳;布置优化可以有效减少大型集装箱船风阻.     

区间矩阵稳定性的充分判据

给出了用端点矩阵元素确定区间矩阵稳定性的若干充分判据，最后给出的例子表明，文章的方法简捷，具有一定的实用性。     

具有多滞后时变区间Lurie控制系统的指数稳定性判据

引入具有多滞后的时变区间Lurie控制系统的指数稳定概念，用矩阵测度和时滞微分不等式研究了具有多滞后的时变区间Lurie控制系统，推导出该系统指数稳定性的一些判据，推广和改进了前人的结果，并给出了应用的例子。     

基于GAF和卷积神经网络的轴承故障诊断研究

针对深度学习在轴承故障诊断中出现的多分类时测试准确率低、数据集不足的情况,提出基于格拉姆角场(GAF)法和卷积神经网络(CNN)的轴承故障诊断模型以及采用重叠采样20%的方法扩充数据集。通过对轴承振动信号采用格拉姆角场法变换构建数据集,导入到搭建的六层卷积神经网络中实现故障分类。在搭建的CNN中测试了不同的轴承数据集以及不同数据长度下的测试准确率和抗噪性能。结果表明,在不同数据集的测试中,所搭建的模型最高测试准确率可达100%,搭建的CNN有着良好的性能,在多分类问题上具有较高的精度;扩充数据集的方法具有一定的可行性,可以有效提升模型的测试性能。     

基于CWT-CNN的滚动轴承故障诊断

针对滚动轴承传统故障诊断方法训练收敛速度慢、识别准确率不高、抗噪性能差等问题,提出CWT-CNN的轴承故障诊断模型。通过对滚动轴承振动数据经连续小波变换生成的时频图进行三次垂直方向随机裁剪的方法扩充数据集,之后将其导入到搭建的加入了批量归一化和随机失活的卷积神经网络中进行模型训练,再由训练好的模型实现轴承故障分类。为了测试模型性能,使用凯斯西储大学轴承数据集进行检测,经过实验结果表明：基于提出的方法构建的数据集相比于常规方法,在搭建的卷积神经网络训练中收敛速度更快,训练出的模型性能也更加稳定,最终最高测试准确率为99.75%,常规方法构建的数据集准确率为99.67%,证明了构建数据集方法的可行性;在原始数据中加入信噪比为6dB高斯白噪声后,通过常规方法构建的数据集测试的最高准确率仍达到了98.67%,展现了基于CWT-CNN的轴承故障诊断模型较强的抗噪能力,证明了所提方法的有效性和可行性。