基于Matlab 与 C++Builder偏最小二乘分析的编程实现

针对工程测量和科研活动,根据回归性分析中较为先进的偏最小二乘法原理,以Matlab为平台,设计了实用的C Builder回归性分析程序.利用该程序,得到大米近红外光谱和其对应蛋白质含量的模型,模型预测结果和观测值的相关系数为0.993 2,模型的显著性检验F值为1.009 3.     

Application of meshless method to electromagnetic NDT

0 Introduction Finite element methods have been successfully pliedfor solving different kinds of problemsinelectrom netic NDT. The domain under study is divided into mesh of element inthis method.For complicated geom tries or in variable geometry problemsthe mesh present high computational cost due to the reevaluation of e newgeometry. Meshless methods are nowproven as a robust te nique to study field problems in which large geometri deformations areto be modeled,since such methods av the on…     

浅析如何减小煤质分析中的误差

简述了煤质分析的概念与所包括的分析内容,分析了误差产生的原因,提出了减小误差的方法。     

一种基于均匀圆阵的多通道幅相误差校正方法

针对空间谱估计MUSIC方法对天线阵各通道增益和相位敏感的情况，对于均匀圆形阵列，提出了一种多通道幅相误差校正方法，该方法在均匀圆阵中心设置了一个校正源，无需知道校正源方向，也不用解方程组就可以对各通道的增益和相位进行估计．对辐射源一维和二维方向的模拟实验结果验证了这种方法的正确性和可行性．     

基于PCNN的纹理图像增强算法

阐述了应用有生物学依据的脉冲耦合神经网络（PCNN）的脉冲发放特性进行图像增强的原理，并将此原理应用于具有纹理特性的指纹图像，从而产生了针对纹理图像增强的新方法。此方法主要利用纹理图象的灰度变化特性，采用将像素点灰度与所在邻域内灰度的局部均值比较的方法，使原方法更有针对性。实验结果证明，指纹图象增强效果显著。     

对数正态分布的最小后验风险Bayes判别

设有两个总体G0、G1分别服从参数为(μ0,σ)与(1μ,σ)的对数正态分布.基于寿命数据X、最小后验风险准则,给出了相应的判别分析问题的Bayes判别方法,为寿命判别制定了一个操作简便的规则.     

限制在光滑参数曲线上的C1曲面插值

给出了一种限制在光滑参数曲线上的C1曲面插值方法.首先通过曲线参数化,建立从曲线到实参数轴的一个一一映射,将限制在曲线上的曲面插值问题转化为实参数轴上的一元插值问题,然后采用范数极小的方法给出参数轴上的一元C1插值函数,再将此插值函数映射到原曲线上即得到限制在参数曲线上的插值函数.理论推导和图形实例显示表明该方法具有逼近效果好的优点.     

灰色马尔科夫链在连续刚构桥梁施工线形控制中的应用

介绍利用灰色马尔科夫链对连续刚构桥梁分段悬臂施工时进行线形控制的基本原理,经过工程实例的应用表明,灰色马尔科夫链能较好地应用于连续刚构桥梁悬臂施工的线形控制,该方法能充分利用桥梁施工过程中各段的历史数据给予的信息,对随机波动性较大的数据也能进行较高精度的预测,具有较高工程实用价值.     

n值标准序列逻辑系统中的近似推理理论

在n值标准序列逻辑系统中引入公式的真度概念,利用真度定义了公式间的相似度和伪距离并证明了真度推理规则,同时给出一种推理误差的定义,这就为进一步在n值标准序列逻辑系统中展开近似推理奠定了基础.     

一种新的分类方法——属性均值聚类属性支持向量机(AMC-ASVM)

在属性均值聚类(AMC)与支持向量机(SVM)的基础上,提出了一个新的模式分类算法——基于(属性)聚类的属性支持向量机算法(AMC-ASVM)。主要思想是利用属性均值聚类网络得到的具有概率信息(权重)的样本,来训练属性支持向量机,从而得到分类器。这种方法结合了属性聚类的稳定性与属性支持向量机可以利用加权样本的优点,适合处理具有强噪声的数据。另外,该方法也可以看作是堆近邻分类法的自然推广。在实验部分,将其用于结肠癌基因表达数据的处理。实验结果显示了AMC-ASVM在一定程度上优于最近邻,Boosting,堆近邻,SVM等方法。