基于LR-IV模型的滑坡敏感性评价

滑坡敏感性评价是滑坡防治中的重要一环.针对信息量模型(Ⅳ)中各影响因子等权以及逻辑回归模型(LR)中因子难以量化的问题,将逻辑回归模型(LR)与信息量模型(Ⅳ)进行耦合,构建LR-Ⅳ模型,并将逻辑回归模型及信息量模型作为对照,以湖北省为例,进行了滑坡敏感性评价.选取工程岩组、地震烈度、水系距离、构造线距离、地貌、降雨面、坡度等七个因子,结合GIS的栅格分析方法,计算各区域滑坡敏感性指数,得到湖北省滑坡敏感性区划图.将历史滑坡数据随机分为70%的训练数据与30%的验证数据,通过受试者工作特征曲线来比较各个模型之间的性能.在成功率上,LR-Ⅳ模型(91.3%)与逻辑回归模型(91.5%)、信息量模型(90.3%)相差不大,都具有极高的成功率,但在预测率上,LR-Ⅳ模型(75.7%)远胜于逻辑回归模型(65.8%),略强于信息量模型(74.9%).研究结果表明,LR-Ⅳ模型表现优异,可用于滑坡敏感性评价.     

对多功能雷达的DQN认知干扰决策方法

基于Q-Learning的认知干扰决策方法随着多功能雷达(multifunctional radar, MFR)可执行的任务越来越多,决策效率明显下降。对此,提出了一种对MFR的深度Q神经网络(deep Q network, DQN)干扰决策方法。首先,分析MFR信号特点并构建干扰库,以此为基础研究干扰决策方法。其次,通过对DQN原理的简要阐述,提出了干扰决策方法及其决策流程。最后,对该决策方法进行了仿真试验并通过对比DQN和Q-Learning的决策性能,验证了所提方法的必要性。为提高决策的实时性和准确率,对DQN算法进行了改进,在此基础上,结合先验知识进一步提高了决策效率。仿真试验表明:该决策方法能够较好地自主学习实际战场中的干扰效果,对可执行多种雷达任务的MFR完成干扰决策。     

强场中真空正负电子对产生的低密度近似

在空间均匀含时的强外场下真空正负电子对产生的研究中, 从散射势转变点的角度, 严格证明了源于量子Vlasov方程的低密度近似方法(low density approximation, LDA)与半经典的WKB (Wentzel-Kramers-Brillouin)方法等价．通过对典型例子进行数值计算和说明, 对这2种方法的等价性进行了检验．当有较多转变点时, WKB积分变得烦琐, 相较而言, LDA更具有计算优势．本研究将量子动力学过程和量子隧穿过程联系起来, 有助于深入理解强场下真空中正负电子对的产生过程．      

求解Burgers方程的高精度紧致Pade'逼近格式

对一维Burgers方程提出了精度为O(τ3+h4)的紧致Pade'逼近格式,首先利用Hopf-Cole变换,将一维Burgers方程转化为线性扩散方程,然后对空间变量四阶紧致格式进行离散,时间变量利用pade逼近格式得到求解Burgers方程的时间三阶空间四阶精度的隐式差分格式,并对稳定性进行分析,数值结果与Crank-Nicholson格式、Douglass格式和Haar wavelet格式进行比较,数值结果不同时刻和空间,不同雷诺数与准确值进行比较,发现所提格式很好的解决了Burgers方程的数值计算.     

液相线保温法低合金钢半固态组织的形成机理

采用液相线保温法制备了低合金钢ZG25MnCrNiMo半固态熔体,获得了晶粒细小、圆整、均匀的半固态组织.研究了该组织的形成过程和形成机理,掌握了保温温度和保温时间对组织形态以及晶粒尺寸的影响规律.结果表明,在液相线温度1 510℃保温时,熔体内易形成大量准固相原子团簇并发展为游离晶均匀分布在熔体内,它们能在凝固时显著细化、匀化晶粒,使水淬组织细小、均匀.在空冷条件下,这种细化机制仍起作用,使液相线温度保温后的空冷组织比常规铸造浇铸温度下的空冷组织显著细小.由于中频感应炉的电磁搅拌作用,在液相线短时保温就可孕育出相当数目的游离晶,并能在随后的保温过程中维持游离晶的形态和数目.在保温5～50 min的时间范围内,液相线温度下不同保温时间的水淬组织没有显著变化,短时保温与长时保温的效果相当.     

因子分析法综合评价江门市城市物流竞争力的研究

有着"第三利润源泉"之称的物流产业已被看成是城市国民经济发展的基础产业之一,其发展水平的高低也已成为评价一个城市总体实力的主要标志.本文构建了包含4个一级指标和21个二级指标的城市物流竞争力的三层评价指标体系.实证部分利用因子分析法,对江门市2003—2012十年间江门城市物流发展水平进行分析,针对江门城市物流竞争力的发展现状和水平以及存在的不足,提出了相应的对策建议.     

基于云计算的并行k-means算法研究

针对传统k-means聚类算法面对海量数据存在时间复杂度急剧增加的问题,结合云计算的优势,提出基于MapReduce编程框架来实现k-means聚类算法的并行化处理。Map函数完成每个样本记录到聚类中心的距离计算并标记其所属聚类类别,Reduce函数汇总中间结果并计算出新的聚类中心,供下一轮迭代使用。通过实验表明:基于MapReduce的并行化k-means聚类算法具有较好的加速比和良好的扩展性。