基于协同仿真技术的车辆非线性平顺性分析

汽车悬架中存在多种非线性因素,采用非线性模型的时域求解可获得更准确的平顺性分析结果. 考虑到单一软件的局限性,本文采用协同仿真技术分析非线性车辆模型的平顺性. 用机械系统软件ADAMS建立汽车多体模型,并用MATLAB/Simulink的S函数建立路面模型、轮胎模型和驾驶员模型. 以随机生成的路面不平度数据为输入,在Simulink环境下建立协同仿真模型并完成车辆非线性模型的时域求解. 给出了平顺性协同仿真算例,并根据响应量时间历程数据计算了簧载质量加权加速度均方根值和车轮动载均方根值. 平顺性分析结果表明该协同仿真方法合理、可靠,满足非线性车辆模型的平顺性时域分析需要.     

基于仿真的装甲装备采办协同环境

为实现建模与仿真工具及资源在武器装备采办中跨功能领域、跨采办阶段、跨采办项目的重用,提出了SBA协同环境由下至上四层体系结构,包括基础资源层、网络通信层、仿真支持层、仿真应用层;设计了各功能层的组成及功用,并且指出数据集成、工具集成、过程集成是进一步完善四层体系结构必须考虑的关键问题.在装甲装备SBA协同环境中的应用表明,四层体系结构可以实现仿真资源重用、缩短项目开发周期、降低开发成本、减少采办风险、提高武器系统性能.     

基于BP神经网络的并行算法

对强激光与等离子体相互作用三维数值模拟程序LARED_P数据输出进行分析,针对大规模数据模拟数据的特点,提出了基于BP神经网络的并行算法,即在各个搜索子空间内对训练集合中的学习样本进行并行训练。实例表明:不仅可避免陷入局部极小点,提高网络训练速度,而且仿真效果较好。     

混合多分辨率地形与空间矢量数据的可视化研究

能同时处理矢量和地形数据的混合地理信息系统逐渐成为研究的热点,其中待解决的难点是如何将复杂矢量数据实时渲染到多分辨率地形格网.结合实时优化自适应网格(Real-Time Optimally Adapting Meshes,ROAM)地形简化算法,给出了关键数据结构及相关算法来实时显示多分辨率三维地形和2D空间矢量数据,并对算法性能做出分析并给出结论.     

飞行仿真器综合显示系统关键技术研究

介绍了综合显示系统的概念,以及国内外发展的现状;提出了在飞行仿真器平台上综合显示系统的框架结构,并研究了其中的关键技术。采用模糊逻辑推理算法实现多传感器/多数据源、多分辨率信息的数据融合;图像融合方面主要处理了二维显示与三维显示并存的问题;在系统的设计和实现上,运用了组件化的思想和技术。最后,概述了综合显示系统的发展趋势。     

高频数据的加权已实现极差波动及其实证分析

高频金融时间序列的分析与建模是金融计量学的一个崭新的研究领域。已实现极差波动是针对高频金融时间序列而开发的一种全新的波动率度量方法。文章首先证明了已实现极差波动是比已实现波动更有效的波动估计量。然后基于日内波动的特征。给出考虑“日历效应”的加权已实现极差波动。并说明了已实现极差波动只是加权已实现极差波动的特例。最后。通过对深圳股市实证分析。证实了加权已实现极差波动是比已实现极差波动更有效的波动估计量。     

基于多维伪F统计量的基因表达动态聚类分析方法研究

K-均值聚类分析算法是一种广泛应用于基因表达数据聚类分析中的迭代变换算法，它通过指定类别数K-基于给定的聚类目标函数，并采用迭代更新的方法，使得最终的聚类结果的目标函数值为极小值，达到较优的聚类效果。针对K-均值聚类分析算法存在参数依赖性强，且在整个聚类过程中类的数目无法改变的缺点，引入动态调整聚类个数的思想和多维伪F统计量，提出了一种基于多维伪F统计量的基因表迭动态K-均值聚类算法。实验结果表明该算法可以动态调整聚类个数，给出最佳聚类数目，从而获得较好的聚类质量．     

分布式星载SAR回波仿真的并行化计算研究

对分布式星载SAR系统地面回波仿真程序并行化算法进行了研究。重点介绍了分布式小卫星SAR系统多星协同工作的仿真策略、各并行节点任务的分配策略和并行节点问大量数据传输的策略。实验证明此并行化算法具有较高的加速性能，具有实际的应用前景。     

有效区分决策单元的数据包络分析方法

针对传统数据包络分析模型不能区分有效决策单元以及不同决策单元的效率缺乏可比性问题,引入最优和最差两个虚拟决策单元,提出一种有效区分决策单元的DEA模型.该方法借助两个虚拟决策单元,建立模型,求出一组公共权重,并以此为基准计算每个决策单元的效率指数,实现决策单元的排序.通过实例,与其它方法比较,验证该方法在区分决策单元方面更有效.     

一种基于划分的带项目约束的频繁项集挖掘算法

为提高关联规则挖掘算法的效率及其对大型数据集的适应性,提出了基于划分的带项目约束的频繁项集挖掘算法Partition CHS Miner。算法按照约束条件裁减数据集,并采用基于约束的超结构CHS(con-straint-based hyper-structure)存储数据。对大型数据集,先将其划分为多个不相交的数据子集,使子集的大小适合主存,然后在子集上采用基于超结构的带项目约束的挖掘算法挖掘出局部频繁项集,最后合并所有子集中的频繁项集形成全局的带约束的候选项集,计算出全局频繁项集。实验证明了算法的有效性。