钢筋混凝土框架结构阻尼模态分析

一、引 言 本文采用机械阻抗的测试技术,在稳态正弦激扰下,应用振动模态参数识别的图解法 (导纳圆法),对不同的几何相似比的三个单榀框架结构进行了测试。重点探索结构阻尼与模型相似比的关系;结构未破坏前及出现裂纹后阻尼参数的变化规律。并从试验分析和理论计算两个方面作了对比。 机械阻抗技术最重要的应用之一就是由实测数据确定结构动态数学模型的有关参数,通常称为模态参数识别。用导纳圆拟合法确定结构自振频率和阻尼参数的基本原理是:对干实模态情况,导纳函数H。。…)与模态参数的关系为式中:K。,,co,,引分别为第i阶模态的刚度、…     

基于免疫算法的多目标柔性job-shop调度研究

建立了多目标柔性job-shop调度模型;然后提出了带有保优机制免疫算法,利用免疫记忆、接种疫苗等机制,在算法中保留并充分利用每代最优抗体和局部最优基因,使算法加快收敛;针对这类调度的柔性,提出基于工序设备双层抗体编码方案和基于设备能力空间的解码方案;采用多目标分级评价方法同时对时间、设备和成本等多目标进行评价和优化.最后,用Benchm ark标准问题的仿真和西安航空发动机(集团)有限公司的调度实例验证了算法、策略和调度模型的有效性和优越性.     

建筑工程设计过程规划研究

基于信息流的模糊设计结构矩阵,以矩阵形式建立建筑工程设计过程的动态模型并进一步提出了一种建筑产品开发过程优化重组的方法.对其模型进行研究,从而得出一个可控制的,更加有效的设计过程.     

高 新 技 术 科 研 项 目 评 价

建立了高新技术科研项目评价指标体系,提出了基于层次分析法（AHP）和区间模糊的逼近理想排序法的高新技术科研项目评价模型,采用AHP确定评价指标的权重,借助于模糊理论构建区间模糊矩阵,计算其正、负理想解和接近度,根据接近度而对高新技术科研项目进行比较,并进行了实例分析.结果表明,所构建的评价指标体系和评价模型具有一定的实用性和可行性.     

不确定条件下多目标R&D项目组合选择优化

应用模糊集理论描述R&D项目过程的模糊不确定性,建立了以模糊实物期权度量收益,模糊熵度量风险,模糊净现值度量费用的多目标R&D项目组合选择优化数学模型;运用定性可能性原理将模糊模型清晰化,并针对清晰型数学模型提出了一种改进的多目标遗传算法进行求解;仿真实验证明,实现的多目标遗传算法可以有效求解清晰型多目标R&D项目组合选择优化问题.     

基于CSP的Job shop调度算法研究

针对一类典型的约束满足问题——Job shop调度问题，提出一种CSP调度算法框架，详细讨论CSP调度算法中的工序开始时间窗、一致性预处理、搜索空间概率模型、工序排序启发、开工时间排序启发的求解方法。仿真结果表明CSP调度算法在较小的计算时间代价下，获得了FT10标准调度问题的近优解。     

基于流形学习降维的决策分析算法

为了有效地分析高维决策表，提出了基于流形学习降维的决策分析算法（decision analysis algorithm based on manifold learning，DAML）. 算法使用等距映射法（ISOMAP）对原始数据做降维处理，在得到的主坐标数据上进行决策分析. 根据核主成分分析法与ISOMAP方法的关系得到主成分与主坐标的转换关系式，并计算原始数据主成分. 提出了基于等价支持子集的决策算法用于计算主成分属性重要性、属性区分能力及等价支持子集. 在得到等价支持子集的基础上抽取决策规则，根据决策规则预测算法预测未知数据. 选取UCI数据库中标准分类数据集作为仿真实验样本，并对比C4.5决策树算法、K最近邻居算法（KNN）与提出的决策规则预测算法在Iris、Breast cancer、Wine、Spectf heart和Ionosphere数据集上的分类精度来验证算法的有效性.     

基于FMECA的复杂装备故障预测贝叶斯网络建模

针对复杂装备故障预测问题, 本文提出一种基于故障模式, 影响及危害性分析(failure mode, effects and criticality analysis, FMECA)知识的 故障预测贝叶斯网络模型(failure prediction Bayesian network, FPBN)建模方法. 首先, 在分析现有FMECA知识所包含故障信息的基础上, 提出了基于FMECA单元的FPBN网络结构转化方法和FPBN概率 参数计算方法, 建立起对应的FPBN单元模型. 然后, 对复杂装备各组成部分对应的FPBN单元模型进行连接, 构建整体系统的FPBN集成模型. 最后, 根据某机载平视显示器(head up display, HUD) FMECA知识, 建立了HUD电子组件的FPBN模型实例. 实例分析结果表明, 基于FMECA知识建立的FPBN模型具有不确定性表达和定量 分析方法的优势, 能够准确、有效地进行复杂装备故障预测.     

基于相异度核空间的支持向量机算法

提出基于相异度核空间的混合流形学习与支持向量机(SVMs)算法用于解决高维数据分类问题. 该算法使用SVMs对流形学习降维后的低维嵌入做分类.通过加常数方法构造了衡量数据点相异度的特征空间. 证明了该特征空间不仅能够衡量数据点之间的相异度,还满足Mercer条件对于支持向量机分类核空间的半正定性的要求. 在仿真实验中,采用UCI机器学习数据库上标准分类数据集为样本. 对比构造的相异度核空间与常用核函数如线性核、多项式核、高斯核在支持向量机分类时的 分类精度来验证有效性和优越性.