涡扇发动机理想起动过程分析与控制问题探讨

涡扇发动机高原和高、低温起动的可靠性问题是航空领域需要进一步研究的难题.以理想起动过程的假设为前提,从新的角度研究了起动控制规律设计时应考虑的原则.利用流动相似理论分析和定义了起动过程的各相似参数,提出了新的发动机点火转速和起动机脱开转速的确定原则,并给出了起动过程供油规律的闭环控制方案.所做工作对于深入开展起动优化控制研究具有重要意义.     

精密玻壳模具冷却器的流动传热模拟

基于相似理论建立了玻壳模具冷却器的流动传热模型。流动采用固定平行平板间的间隙流动模型,换热采用赛特和塔特的换热模型,并通过进一步推导获得了最终计算方案。最后通过程序实现计算出冷却水的流量场、速度场、换热系数场等的分布,为玻壳模具温度场的数值模拟提供了必需的边界条件。     

面向制造过程的海量数字图像高效检索算法研究

结合图像的形状特征、纹理特征和颜色特征,提出一种面向制造过程的海量图像高效检索算法.算法利用傅立叶描述子法和二维形状分布法描述图像的形状特征,利用灰度共生矩阵描述图像的纹理特征,利用颜色直方图表达图像的颜色特征.在得到图像的形状特征、纹理特征和颜色特征后,分别采用欧式距离、马氏距离和夹角余弦距离计算这三种特征的相似度,最后对三种特征的相似度进行综合,得到图像的整体相似度,实现多特征的联合检索.仿真结果表明,本算法应用于不同类型和格式的海量数字图像,具有较高的检索精度和较快的检索速度.     

一种LFMCW雷达目标距离范围的划分方法

在采用对称三角波作为调制信号的线性调频连续波(Linear Frequency Modulated Continuous Wave,LFMCW)雷达系统中,雷达传感器前端产生的三角调制波泄漏信号严重影响远距离目标的测量结果。因此有必要对待测目标进行范围划分。传统的距离划分是在对回波信号进行频谱分析之后进行的。提出的基于相似度匹配法能够在未对信号进行频谱分析之前,根据与标定目标预先计算的阈值作比较,得出目标所在距离范围,并针对实际系统设计实验方案,验证该方法的可行性。     

拟双星图的N-G型的代数连通度的界

文章利用图G的代数连通度与其线图的邻接谱半径之间的关系,给出:任n阶拟双星图G ,s0-1相似文献   

基于HowNet构造语义场的方法

为了能尽量消除传统语义场研究中的主观随意性,提出一种基于HowNet构造语义场的新方法,并充分利用语义场的空间特性,将词语相似度计算引入语义场用于划分语义场结构.计算实例表明 提出的构造语义场、划分语义场结构的方法,有利于计算机自动获得语义场,具有客观性和可计算性的特点,有效排除了以往构造语义场的主观随意性,可应用到各种基于语义的文本处理方法中.     

考虑主体失望情绪的分布语言自信群决策方法

针对分布语言自信评价信息下的多属性群决策问题,提出了一种考虑主体失望情绪的行为多属性群决策方法。首先,考虑实际群决策过程因为决策者的背景、经验、知识等原因会对自身给出的分布语言评价信息有着不同水平的自信程度(这反映了分布语言评价信息的可靠性),定义了一种新的评价结构,即分布语言自信评价;其次,在分布语言自信评价下,考虑有限理性的决策主体,其失望情绪常隐含于决策判断或评价中,利用失望理论,将主体失望情绪融入决策过程,同时,获得分布语言自信评价下的主体感知效用,将主体分布语言自信决策矩阵转化为主体自信效用决策矩阵;然后,定义自信效用向量Dice相似测度和加权Dice相似测度,结合属性的不兼容性程度构建优化模型确定属性权重;接着,基于TOPSIS思想对备选方案进行择优排序;最后,在循环经济背景下评估生态工业园区的决策算例,说明该方法的可行性与有效性。     

基于复合相似性与多样性事例复用算法的研究

事例复用是基于事例推理CBR系统的重要环节,其结果直接关系着整个系统的质量,该文在传统的基于相似性尺度的基础上,引入了多样性尺度,先后分析了3种事例复用算法：遍历匹配算法,有界遍历匹配算法,带权重有界遍历匹配算法,根据理论分析和对比实验结果,得出带权重有界遍历算法的性能指标是最为理想的。     

基于广义粗集和知识共享的供应链需求预测R5模型

在知识共享前提下,提出了供应链需求预测的案例推理R5模型.此模型以粗集方法进行知识发现,建造和划分案例库,以案例推理管理和应用知识,将广义粗集的数据挖掘功能引入案例推理模式当中,用于指导供应链企业从过去的合作经验中有效学习其合作伙伴的“预测知识”,进而利用新的需求信息进行当前产品的需求预测模型选择.仿真算例表明,将变精度粗集和广义相似关系这两种粗集的泛化形式引入案例推理机制,可以提高推理效率和容错性;利用数据挖掘技术,从相关产品的环境信息及供应链成员的特征参数中发现需求预报的领域知识与深层知识,可以降低知识获取成本及模型选择的主观性.     

基于模糊协方差的自适应聚类神经网络

将模糊协方差距离测度引入到竞争学习型神经网络的参数控制中,采用批处理的网络学习方式消除数据样本顺序对网络权重调整的影响,通过淘汰及合并数据集的冗余类实现对未知类别数、多种分布型数据的自适应聚类．实验表明,新网络对数据集的分布形式有较强的鲁棒性,并能正确确定数据集的类别数．