基于八叉树优化的MoM-PO/PTD混合算法分析目标电磁散射及辐射问题

在综合利用矩量法(method of moments, MoM)和物理光学(physical optics, PO)方法的过程中, 要精准识别和划分PO位置处于点光源照射情况下的暗区和亮区。传统的识别划分手段的时间复杂度为O(N²), 当面片数量N增多时, 所需的时间呈现出急剧增长的趋势。文中应用八叉树和后向追踪算法, 对PO亮区判断过程进行加速, 可将时间复杂度由N²降为NlgN。由于计算PO区域电流时没有考虑边缘绕射造成的影响, 导致计算误差较大。鉴于此, 本文在计算过程中引入物理绕射理论对混合算法加以改进, 并通过与FEKO中的MoM相比较, 说明了修正后的混合算法能够有效提升计算精度。     

陕西5种外来入侵植物新纪录

现报道陕西5种外来入侵植物新纪录,即北美车前(Plantago virginica L.)、细叶旱芹(Cyclospermum leptophyllum(Persoon)Sprague ex Britton&P.Wilson)、裂叶月见草(Oenothera laciniata Hill)、匙叶合冠鼠麴草(Gamochaeta pensylvanica(Willd.)Cabrera)以及柳叶马鞭草(Verbena bonariensis L.),凭证标本保存于陕西理工大学植物标本馆(HZTC).     

无环境信息下多尺度网格细胞群空间表征模型

针对无环境信息条件下网格细胞空间表征问题, 提出一种多尺度网格细胞群的空间表征模型。通过减少吸引子网络模型网格细胞的偏好朝向, 使网格细胞具有特定的感应方向, 仅对特定方向上的速度产生响应。基于改进的吸引子网络模型, 构建多尺度网格细胞群, 并对空间进行表征。仿真结果表明, 改进后的网格细胞模型只响应相应方向的速度, 准确整合速度信息, 表征部分未探索区域, 且适用于无环境信息条件下一维、二维空间。在100 m×100 m的区域, 表征结果的误差不超过0.2 m, 证明了该模型能够扩大网格细胞的表征范围, 提高表征精度与表征能力。     

苏里格气田马家沟组膏模孔型储层特征及成因

含“膏模”孔泥粉晶云岩是鄂尔多斯盆地马家沟组上组合地层重要储集岩类型，其形成时间和成因对于该类型储层的认识具有重要意义。研究利用苏里格东区丰富的取芯资料，根据岩芯、薄片等观察手段，结合常规物性测试分析，综合研究含“膏模”孔型储层特征及其成因。结果表明，“膏模”孔主要发育于泥粉晶白云岩中，位于向上变浅序列中部，常可见未充填—半充填型与全充填型两类。储层特征方面，该类储集岩主要发育“膏模”孔充填残余孔、渗流粉砂间微孔和基岩晶间溶蚀微孔3类储集空间，物性测试显示储集性能优越，平均孔隙度可达5.34%，平均渗透率为1.02 mD。纵向沉积序列显示“膏模”孔发育受沉积旋回控制，旋回中部“膏模”孔内存在溶蚀，内为云质渗流粉砂充填，旋回顶部具有暴露特征，且可见下一次海侵泥质灌入岩溶系统内，各类特征均指示“膏模”孔形成与准同生期岩溶相关，即“膏模”孔形成于准同生期，而非传统认识的表生阶段。     

基于熵评价模态分解的雷达信号双谱特征识别

针对在低信噪比下雷达信号调制识别准确率低、抗噪性差的问题, 提出一种基于熵评价模态分解和双谱特征提取的识别方法。利用双谱可以抑制高斯噪声的特点, 分析了在低信噪比下进行信号调制识别的可行性并引入了噪声项。由于噪声项的干扰, 双谱在0 dB以下时, 噪声抑制效果变差, 提出了基于信息熵评价的经验模态化分解对信号进行预处理, 提高信噪比。最后, 设计了卷积神经网络分类器, 实现对不同调制类型信号的识别。仿真实验结果表明, 本文方法相比传统方法具有良好的抗噪性, 能够在低信噪比下对不同类型信号进行有效识别。     

健身指导与实践校本课程开发程序研究

在国家师范类专业认证背景下,根据内江师范学院"三分式"人才培养改革模式,对健身指导与实践校本课程开发依据进行分析,对影响因素归纳总结,并对该课程开发程序进行研究.     

圆形均匀带电薄板电场的数值积分和可视化

利用均匀带电圆环在直角坐标系中的电势和电场强度的2个分量的公式,推导了均匀带电圆形薄板的电势和电场强度的2个分量的积分公式.将积分公式无量纲化,采用数值积分法计算电势和场强的值,绘制曲面、二维等势线和电场线.     

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。     

基于混合流量预测的虚拟网络拓扑重构方法

目前在构建虚拟网络时, 为满足用户动态变化的带宽需求, 虚拟网络控制平台通常把虚拟链路带宽设置为流量最大值, 一定程度上造成了资源浪费。针对这一问题, 提出一种基于混合流量预测的虚拟网络拓扑重构方法, 利用基于参数优化选择的混合流量预测算法对下一周期的网络流量进行预测, 根据流量预测结果进行拓扑重构, 在避免出现乒乓效应的同时节省更多带宽资源。为了提高流量预测算法的精度与效率, 首先采用小波分解方法将流量数据分解为高频的细节时间序列和低频的近似时间序列, 然后利用基于粒子群优化的相空间重构方法, 对该时间序列进行特征提取构建训练样本。之后分别采用混沌模型对细节时间序列进行训练预测, 采用极限学习机(extreme learning machine, ELM)神经网络对近似时间序列进行训练预测。仿真结果表明, 所提的流量预测算法在保证预测精度的同时, 运行时间更短, 预测效率更高, 进而保证了拓扑重构方法可以节省更多的带宽资源。     

动力学模态分解方法重构及预测流场误差分析

利用动力学模态分解(dynamic mode decomposition,DMD)方法可以实现非定常流场的分解、重构和预测,但该方法重构和预测流场的误差需要给出定量分析.鉴于此,提出了定量描述动力学模态分解重构和预测流场的误差分析方法,以雷诺数Re=80的圆柱绕流二维流场数值模拟结果为例,研究了非线性流动和周期性流场重构和预测误差的动态变化情况.结果表明:依据能量大小确定的模态反映了流场的主要相干结构;低频、低增长/衰减率和大尺度的相干结构能量占比大,对流场的影响较大;DMD方法可以准确重构非线性和周期性变化流场,重构的误差小于10-10,预测流场的误差较重构流场出现跳跃增大现象;DMD方法预测非线性变化流场的误差在样本时间区间内较小(小于10-3),超出样本区间误差的发展急剧增大,变化情况依赖于数据样本;预测周期性流场的误差稳定在10-4左右.