基于混合优化算法的关节臂式测量机参数标定

为进一步提高关节臂式坐标测量机等高机动性精密测量设备的测量精度,使用D-H矩阵法建立其关节坐标转换数学模型并据此推导出参数误差模型.针对非线性多参数标定问题,通过变换分析消除了最小二乘法求解时矩阵中的冗余参数,降低了计算的复杂性.设定判定准则并实现最小二乘法和模拟退火算法的混合,提出了一种基于混合优化算法的参数标定方法,解决了LM算法的初值设定和SA算法的搜索效率逐步降低的问题.实验结果表明:关节臂式测量机参数经混合优化算法标定后,参数的误差范围有了显著的缩小,单点重复性误差的平均值减小了1.746 mm,长度误差的平均值减小了0.941 mm,测量误差得到了进一步的抑制.     

有限交换p-群中加性码的计数

解决了有限交换p-群中加性码的两类计数问题,第一类计数问题是指求任意给定的有限交换p-群中任意类型码的数目,第二类计数问题是指求包含同一类型码的有限交换p-群的数目以及它们分别所含有的该类型码的数目.     

几乎无偏刘估计的不可容许性

考虑了线性回归模型中,在Fisherian和Mahalanobis损失函数下,几乎无偏刘估计对于最小二乘估计的不可容许性;结论表明:几乎无偏刘估计在Mahalanobis损失函数下是不可容的;最后进行了数值模拟来表明结果.     

移动机器人运动轨迹规划平滑性研究

针对机器人操纵装置或机器人路径的平滑性研究,对轨迹节点的平滑离散是很有必要,此外,还建立了满足标准平滑度的轨迹路径。平滑起点和机器人的最终位置必须要精确定义,所以经典最小二乘法是不适用的。为了解决这个问题,提出了一种改进的最小二乘法。该方法要求首先建立一个平滑的运动轨迹,同时使其起点和终点保持一致,而且减小了机器人的驱动单元的动态负载和计算时间。     

论非治疗性儿童医学试验的“最小风险”问题

在非治疗性儿童医学试验中,儿童遭遇忽视与虐待、不公正、失责等现象使风险研究成为保障试验合理性与合法性的先决条件。依靠类比、经验和循证实践等是目前实现非治疗性儿童医学试验"最小风险"存在状态的路径,其凸显了应着重责任伦理的立场和以个体权益保护为价值合理性的最终依据的伦理向度。     

基于高斯字典原子稀疏表示的高精度宽角SAR成像方法

为了提高从宽角合成孔径雷达(synthetic aperture radar, SAR)图像中提取目标后向散射各向异性特性的性能,在宽角SAR字典稀疏表示模型的基础上,提出一种基于高斯字典原子的高精度宽角SAR成像方法。在字典构造上,采用不同中心位置、相同方差的高斯函数。在求解稀疏表示系数上,采用广义最小最大凹惩罚稀疏重构算法求解。最后，根据稀疏表示系数的重构结果以及构造的字典得到目标的后向散射各向异性特性。通过仿真实验和Backhoe数据对算法进行验证,结果表明,该方法能够高精度地提取目标的后向散射各向异性特性。     

一种利用最小成本路径计算河流长度的方法

基于遥感影像上河流像元之间具有相似光谱这一特点,本文提出了一种利用最小成本路径标记河流并计算河流长度的方法.标记河流时,首先确定起始点和终点,规定相邻像元之间的近邻成本,以起始点和终点之间近邻成本的累积作为路径成本,通过寻找起始点与终点之间的最小路径成本和回溯链接矩阵确定2点之间的最小成本路径,按最小成本路径可以提取出起始点与终点之间的一条河流.对提取出的河流经过栅格向矢量转换以及平滑处理后,可以得到较高精度的河流长度.     

公理化局部有限空间中映射连续性的扩展

用公理化方法研究了局部有限空间中的连续映射及其扩张问题。给出了局部有限空间的公理化定义方法;利用邻近关系研究了局部有限空间中的连续映射、同胚和局部同胚等问题;通过对局部有限空间变形的研究,定义了局部有限空间的一种特殊收缩核,有效地解决了局部有限空间中连续映射的扩张问题。     

利用反预报方法从截面预言近滴线丰质子核的结合能

在Origin等数据处理软件中,当实验数据较少时,自由参数的不同初始化设置会导致较大的结果差异,这为物理结果的确定带来较大不确定性.通过最小二乘法分析了345MeV/u ~(78) Kr+~9Be反应中产生的丰质子同位素的截面和结合能,并得到线性回归方程.通过回归方程,利用结合能预报部分丰质子核素的截面,以及通过实验截面对近质子滴线核素的结合能进行反预报测量.这对于近质子滴线的丰质子核素实验测量具有较好的借鉴意义.     

基于变量选择-神经网络模型的复杂路网短时交通流预测

摘要： 针对传统交通流预测模型正在由单断面历史数据处理向多断面、多时刻历史数据处理转变,但在考虑各断面间的影响时,多变的交通状况往往会使预测模型复杂化的问题,引入一种多元线性回归最小绝对收缩和选择算子方法(Lasso),并利用其优秀的变量选择能力,在复杂路网多断面中选出相关性较高的断面；结合神经网络(NN)的非线性特性,提出了Lasso NN组合模型.结果表明：Lasso NN模型在路网交叉口对未来15 min交通流数据预测的误差率低于9.2%；在非交叉口的误差率低于6.7%,总体优于各自单独使用得出的结果.