v支持向量回归用于退化轨迹建模

针对小样本情形下的退化轨迹建模问题,为解决用ε-支持向量回归(ε-support vector regression,ε-SVR)建模时不敏感参数ε不易选择的难题,提出一种基于v支持向量回归(v-support vector regression,v-SVR)的退化轨迹建模方法,并用遗传算法优化模型参数以提高建模精度。参数v-与支持向量和错误样本点的个数有关,根据这一性质确定v的取值范围,并实现对支持向量或错误样本点个数的控制。对疲劳裂纹增长数据的实例分析表明,所提方法不仅便于确定参数,而且相对于以往文献的方法有更高的建模精度。     

基于模糊随机概率的电子产品寿命分析方法

电子产品失效过程是一种兼有随机性和模糊性的模糊随机现象,电子产品的寿命应为一个模糊随机变量。应用模糊随机概率的相关理论,对传统随机概率寿命分析进行改进,建立了一种模糊随机概率寿命分布函数,并且根据寿命的特点提出了选择模糊变量隶属函数的标准。在此基础上,研究了产品失效的可能性分布,以确定产品在某一时刻可能失效的可能性大小。通过实例分析对比,新的寿命分布函数能够反映出更多的寿命信息,且表达更为直观具体,所建立的可能性分布能够真实地反映实际产品失效的可能性大小。     

支持向量机用于性能退化的可靠性评估

为解决性能退化轨迹建模中的小样本训练问题,研究了基于统计学习理论的支持向量机回归原理,提出了基于支持向量机回归模型的产品性能退化轨迹建模、寿命预测及可靠性评估方法.给出两种性能退化轨迹的支持向量机回归模型——单一模型和加权模型.实例分析表明,所提方法有较好的预测精度.加权支持向量机回归模型可在早期实现较高精度的寿命预测,提高性能退化的可靠性评估精度,从而可缩短试验时间,节约经费开支.     

动态运行环境下退化系统最佳检测周期的确定

研究了运行在动态随机环境下退化系统的最佳检测周期。系统的运行环境用时间连续状态离散的马尔可夫过程描述,系统受磨损和冲击复合损伤下逐渐退化。以系统稳态平均可用度作为维修策略优化目标,寿命周期单位时间费用预算为约束条件,建立了一个关于检测周期的非线性规划模型,用遗传算法实现了检测周期的优化。最后通过算例验证了该模型和算法的可行性。     

截短侧耳素产生菌的鉴定及发酵培养基初筛

对产截短侧耳素（pleuromutilin）的真菌P4-04进行形态学观察和ITS保守序列鉴定,初步鉴定P4-04可能属于担子菌纲斜盖菇属新种. 采用单因子实验对发酵培养基条件筛选. 优化结果显示,最佳碳源为果糖,浓度为5%,最佳氮源为2％的黄豆饼粉, FeSO4添加浓度为0.04%. 在此条件下获得的产量比原始条件提高73.1%.     

ICP-AES比较临床分离药物敏感和耐药结核分枝杆菌的金属离子

利用现在多元素痕量分析最重要的方法——电感耦合等离子体原子发射光谱(ICP—AES)分析结核分枝杆菌中的金属离子的种类和含量,结果表明,Cr^3 ,Al^3 ,Ca^2 ,Fe^2 ,Mn^2 ,Co^2 ,Cu^2 ,Ni^2 的含量较高,并发现药物敏感菌株和耐药菌株之间在金属离子种类和含量上有明显区别．这种差异在耐药中的意义有待进一步研究．     

基于3SF技术嵌入式软件可靠性定性仿真分析

针对嵌入式系统软件可靠性设计中存在的失效问题,从可靠性的概念和特点入手,将“3F”技术—故障模式影响及危害性分析FMECA,故障树分析FTA和故障报告、分析与纠正措施系统FRACAS引入到软件可靠性定性分析中,称之为“3SF”技术。深入研究了3SF技术在软件可靠性定性分析中的应用,给出软件FMECA和FTA分析实例,并对将两者与软件FRACAS的结合作了研究。     

致病钩端螺旋体特异消减片段的序列测定与分析

对24个已鉴定的赖型致病钩端螺旋体特异消减片段进行DNA序列测定和生物信息学分析.结果显示,片段两端皆含有AluⅠ酶切位点,片段大小为149～1506bp,平均480bp,GC含量平均为36 63%.其中6个序列无任何同源匹配序列,提示可能来自新基因;18个同源序列可分为两类:与外膜蛋白或假想蛋白相关,与生化代谢修饰相关的酶.在Genbank中登记其中20个序列,序列号分别为AF300873-AF300877,AF325807-AF325821.这些基于生物信息学的功能预测,将有助于在此基础上进行相关的基因克隆鉴定、表达分析及功能验证.     

基于二进制神经网络集成的潜在通路分析

针对神经网络在潜在通路分析应用中的缺陷,提出了二进制神经网络集成(BNNE)算法。该算法结合了二进制神经网络(binary neural network,BNN)和神经网络集成(neural network ensemble,NNE),NNE的个体成员是BNN,集成算法采用GASEN算法,其输入为电路开关状态,输出为预测功能。通过比较特定开关状态下的预测功能和设计功能之间的差异,判断是否存在潜在通路。该算法综合了BNN、NNE的优点,可以有效提高神经网络的泛化能力和潜在通路分析的可靠性,仿真试验验证了算法的有效性。