深井离心泵的回归分析与数值模拟

选择了叶轮叶片出口安放角、叶片进口冲角、叶轮出口宽度及导叶进口宽度这4个几何因素,按中心组合试验方法,设计了30组方案．通过FLUENT软件,对冲压井泵的全流场进行数值模拟,获得了额定工况下30组方案的效率．采用四元二次回归方程拟合四因素与效率值之间的函数关系,通过求解回归方程以寻求最优几何参数组合．利用DesignExpert6．0．5软件对回归模型进行分析,得到二次回归响应面图．由图中发现：在给定的范围内,叶轮出口宽度对效率的影响最为显著,表现为等值线最密;导叶进口宽度与叶轮叶片出口安放角次之;叶轮叶片进口冲角对效率的影响最小,表现不显著．通过样机试制及试验,发现在设计工况下采用两级全流场的数值模拟值与试验值相当接近,误差在2％以内,验证了数值模计算的可行性．     

结合流形结构与柔性嵌入的多标签特征选择

将线性回归模型与流形结构相结合,构成了弱线性多标签特征选择的联合框架。首先,用最小二乘损失函数来学习回归系数矩阵;其次,通过标签流形结构来学习数据特征的权重矩阵;再次,用L2,1-范数来约束回归系数矩阵和特征权重矩阵,这样既能引导稀疏性,又有利于特征选择。此外,设计并证明了具有收敛性的迭代更新算法来解决上述提出的问题。最后,所提出的方法在多个经典多标签数据集上进行了验证,实验结果表明了所提算法的有效性。     

基于l1范数主成分分析的极化SAR图像变化检测

为提高极化合成孔径雷达(synthetic aperture radar, SAR)图像变化检测算法的鲁棒性以及检测精度,提出基于范数主成分分析(linorm principal component analysis,l1-PCA)模型的变化检测算法。首先,采用基于Hotelling-Lawley复矩阵迹变化检测算子构造差异图;其次,采用l1-PCA模型获取差异图的变化信息,使得每个像素以一个特征向量来表示;最后,使用k-means算法对变化信息进行聚类,得到变化检测结果。该方法是一种非监督变化检测方法,相比于基于2范数的PCA检测方法,l1-PCA在特征提取方面具有更高的鲁棒性,并且可以进一步提高变化检测精度。基于RADARSAT-2卫星获取的3幅图像进行的实验结果表明,相较于其他两种典型算法,所提算法更加稳定,精确度更高。     

基于相参积累的捷变频雷达系统相位误差估计与稀疏场景重构算法

针对系统相位误差导致的捷变频雷达目标回波信号相参积累性能下降问题, 构建了系统相位误差下捷变频雷达目标回波信号相参积累模型, 并基于目标的距离-速度二维稀疏性建立了最小ℓ₁范数优化模型, 提出一种基于交替方向乘子法的系统相位误差估计与目标场景稀疏重构联合处理算法, 实现了系统相位误差和目标参数的精确估计。仿真结果表明, 在信噪比为20 dB的情况下, 该方法能够精确估计系统相位误差, 其估计误差在2°以内。同时，相比于逆合成孔径雷达相位自聚焦算法, 所提算法重构性能和计算效率均得到改善, 目标重构幅度均方差提高了10 dB, 运算时间减少到1/2。     

并列建筑物周围风场的数值模拟

研究单体建筑物高度及并列建筑物高差及并列建筑物间距等因素对并列建筑物周围风场的影响．建立了10组不同的并列建筑群布局,计算采用标准k-ε湍流模型．数值计算得到各种布局下建筑群周围风场,并对它们进行了对比分析．结果表明,单体建筑物高度与并列建筑物高差、并列建筑物间距与单体建筑物高度差共同对并列建筑物周围风场产生影响．     

有低最大平均度的图的(2,1)-全标号

图G的最大平均度mad(G)是其所有真子图的平均度的最大值,即mad(G)=max{(2|E(H)|)/(|V(H)|)},H■G.文中证明了:若G为连通图,△(G)≤3,mad(G)9/4,则λ_2~T(G)≤5.若G为连通图,△(G)≤4,mad(G)5/2,则λ_2~T(G)≤7.     

l_1-总变分图像恢复的一种快速解法

总变分正则对具有清晰边缘的图像有较高的恢复性能.鉴于其不可微,交替方向法被广泛用来求解该类问题.然而,交替优化子问题常常使得搜索方向不精确.针对交替方向法在l_1-总变分图像恢复模型中的应用,提出了一种利用子空间优化矫正其当前搜索方向的方法.数值实验结果表明推出的方法可以有效地提升图像恢复性能.     

甲基异柳磷气相色谱定量法

甲基异柳磷原油用气相色谱法测定,其色谱条件如下:不锈钢柱1m×3mm、柱内填充物为5%OV-3涂于ChromosorbW-HP60—80目担体,以氮气作载气,柱温190℃,用氢火焰检测器,癸二酸二正丁酯作内标,测定误差<±1.2%.     

5-(l-氧基)-2(5H)-呋喃酮的不对称迈克尔加成反应

5(l氧基)2(5H)呋喃酮在温和的实验条件下,和活泼亚甲基化合物发生立体选择性加成反应,得到一系列立体专一性产物,产率为47%～71%.     

基于YOLOv5l和ViT的交通标志检测识别方法

随着交通行业的发展,交通标志检测识别成为了辅助驾驶系统中最热门的研究方向之一。在实际行车道路中,交通标志具有目标小且类别繁多的特点,针对现有检测与识别算法难以同时兼顾准确度和速率的问题,提出一种YOLOv5l（you only look once version 5l）与视觉转换器（vision transformer,ViT）结合的检测与识别方法。首先采用YOLOv5l对目标进行检测,得出交通标志的位置信息,再将其输入ViT进行分类识别,其中特征连接部分引入DenseNet网络模块,来实现原始特征和卷积后特征映射的密集连接,加强特征的传递性,提高识别率。结果表明：在GTSDB和GTSRB数据集上实验效果更佳,交通标志检测速率达到200 ms,准确率达到98.78%,相比全连接层识别准确率提高了约4%。