基于特征提取的调制识别方法研究

基于特征提取的调制识别是通过分析信号在时域、频域或其他变换域的差异来提取信号的特征并对信号进行识别分类.针对调制信号载有信息的特点,从信号的瞬变信息、缓变信息以及提取方式等方面对特征提取方法进行研究,并对一些经典的信号特征以及基于时频分析的特征进行了分析,最后研究了两种分类器(神经网络和基于支持向量机)在基于特征提取的调制识别领域的应用.     

成型参数对Ti 35%Al多孔材料孔结构的影响

成型参数是影响Ti-35%Al多孔材料孔结构的主要因素之一.采用元素粉末反应合成工艺合成了Ti-35%Al多孔材料,在其他制备参数一定的条件下,系统研究了成型参数与Ti-35%Al多孔材料的孔隙度、孔径和透气度等孔结构参数之间的关系.结果表明:Ti-Al合金多孔材料中,压制压力对Ti-Al合金多孔材料的孔隙度的影响并不明显;Ti-Al合金多孔材料的最大孔径随压制压力的增大而逐渐减小,压制压力对Ti-Al合金多孔材料孔径的影响,实质上是通过压制过程对压坯粉末颗粒的塑性变形以及对压坯间隙孔的影响来实现的;Ti-Al合金多孔材料的透气度随压制压力的增加呈线性关系递减,对不同压制压力下Ti-Al合金多孔材料Hagen-Poiseuille方程进行了验证,Hagen-Poiseuille方程适用于不同压制压力制备条件下的Ti-Al多孔体.     

基于正反馈的支持向量机

在分析现有的基于高斯核的支持向量机(包括基于K-邻域法的支持向量机)的优缺点的基础上,通过对支持向量机之所以能够描述数据集的分布特征的本质进行分析,突破目前在构造支持向量机中存在的"所有支持向量与样本之间的在特征空间中的内积所对应的核函数参数一定要相等"的这一苛刻要求,提出了用于模式识别的基于正反馈的支持向量机.给出了基于正反馈的支持向量机的算法.通过对人工数据和现实数据的仿真实验,表明基于正反馈的支持向量机在推广性能方面明显优于现有的支持向量机.     

支持向量机方法中加权后验概率建模方法

为解决传统支持向量机方法不提供概率输出的问题,在支持向量机多类分类问题输出概率建模中,提出了加权后验概率建模方法。该方法在对多个两类支持向量机分类器的输出概率进行组合时,充分考虑了各个两类支持向量机分类器的差异。依据Bayesian理论,采用后验概率作为各个两类支持向量机分类器的权系数。实验结果表明,与投票法及Pairwise Coupling方法相比,加权后验概率方法具有较低的分类错误率,不仅具有较好的分类性能,而且得到的后验概率具有较好的概率分布形态。该方法有效地解决了实际多类分类问题中支持向量机的概率建模问题。     

改进装饰线条施工方法,为工程观感增光添彩

为了使建筑物完美体现设计理念,尽显建筑物直线的顺畅美和弧线的飘然美,施工装饰线条时针对不同部位的不同设计采取不同的施工措施,既达到设计要求,节约人力、时间,又保证了建筑物的观感。     

液压脉振注射成型过程能耗分析

为降低液压脉振注射成型过程中的总体能耗,对成型过程中螺杆轴向振动对熔体注射充模各阶段能耗的影响进行了研究,建立了振动力场作用下熔体流经圆管形流道的数学模型,推导出了相应的能耗表达式并讨论了螺杆轴向振动振幅对注射成型总体能耗的影响。结果表明,振动力场的引入使得注射过程总体能耗减小;在螺杆轴向振动振幅变化的一定范围内,能耗随振幅的增加而减小;振幅存在一个使得能耗最小的最佳值。实验结果验证了以上结论。     

防止纱线重叠的卷绕比确定方法

纱线卷绕中,不当的卷绕参数会导致纱线间距过小以致重叠,造成容纱量低、卷绕振动、退绕断头及混纱等问题。采用几何及数学方法,分析了纱线排布规律及其与卷绕比的关系,发现适宜的卷绕比可以实现纱线规律性的错开排布,进而有效防止纱线间距过小而产生重叠。提出了适应不同工艺要求的卷绕比确定方法,分析了卷绕过程中纱线夹角及最小纱线间距的细微变化及其对卷绕比选取的影响,给出了优化卷绕比防止纱线重叠的完整方法并进行了示例说明。     

支持向量机在导弹动力系统推力预测中的应用

应用改进型支持向量回归算法ν-SVR,研究了导弹动力系统推力预测问题,讨论了不同核函数和惩罚因子对推力预测的影响。发现选用多层感知器核函数和适当的惩罚因子时,得到的预测模型稳定性好,并且训练时间和预测误差相对较小;同时与BP神经网络模型进行了对比研究,仿真结果表明,支持向量机能够更好地预测发动机推力,是一种研究小样本情况下推力预测的有效方法。     

“机械原理”课程教学研究与探讨

“机械原理”作为一门专业基础课程,为后续的专业课程打下基础。通过本课程的学习,要求培养学生具备分析和解决工程实际问题的能力,并具备一定的创新能力。本文结合个人教学实践经验,就改进教学方法,优化教学内容,培养学生创新能力问题进行了研究与探讨,为教学提供了新的思路。     

基于粗糙集和支持向量机的股指期货预测模型研究

本文提出基于粗糙集和支持向量机的股指期货走势预测模型。在模型中首先使用粗糙集对指标集进行特征选择,剔除冗余指标,然后使用支持向量机对基于历史数据的股指期货价格走势进行预测。为了评估该预测模型的性能,将预测结果与传统的自回归移动平均模型和BP神经网络模型的预测结果进行比较。实验结果表明了该模型的有效性。