"数字电路与系统"多媒体双语教学的体会

“数字电路与系统”具有实践性和离散性等特点;采用多媒体与板书相结合的方法克服多媒体的局限性,发扬板书的优势,取长补短;加强与学生的交流,创建和谐、有序、兴趣盎然的教学氛围。     

Mbius群的离散性(英文)

利用一个固定的抛物型M bius变换作为检验性元素来检验扩充复平面上的非初等M bius群的离散性 ,文中给出的结果改进了由Jrgensen所建立的判别准则     

任意反转数相减的规律与特征

任意两个互为反转的自然数E与彐相减,其差遵循着一种特殊的规律,其算式具有特殊的结构。并且,E_1—彐_1、E_2—彐_2、E_3—彐_3、……、E_1—彐_1系列可构成离散性三角形。E—彐的标记具有轴对称特征。本文旨在揭示这些规律与特征。     

M(o)bius群的离散性

利用一个固定的抛物型Moebius变换作为检验性元素来检验扩充复平面上的非初等Moebius群的离散性，文中给出的结果改进了由Jφrgensen所建立的判别准则。     

城市电网规划的一种新方法——拉格朗日松驰法

采用拉格朗日松驰法处理城市电网规划的难点之一－离散性质的固定费用，把难求解的带固定费用的网络优化问题转化为易求解的线性规划问题，从而弥补了线性化方法和分枝定界法的不足，采用了速度较快的网络流法求解线性规划问题，并把功率最优流向的自动选择巧妙地嵌入到了网络流法中，不会因为人为选定功率流向而导致非最优解，实际计算结果证明了本方法的有效性。     

混凝土结构预应力服役离散性分析与性能评价方法

依据工程实测数据,验证了单筋有效预应力概率分布特征,提出了基于高斯混合理论的结构预应力系统概率分析模型,确定了峰度、偏度和函数差值控制的正态显著性判定准则,建立了适用于工程抽样的高斯混合模型正态化简化分析方法.以95%保证率为约束参数,建立了基于实测数据的结构有效预应力性态和服役性能评价方法.结果表明：结构有效预应力概率分布可采用单个正态或多个子分布高斯混合模型近似表征;以95%保证率为约束参数,可协调估计精度与实测效率之间的矛盾,满足工程测试需求,实现了预应力服役离散性的科学量化分析.     

玄武岩纤维的强度及其离散性研究

对一种国产玄武岩连续纤维的拉伸强度进行了分析,采用Weibull统计理论对玄武岩纤维的抗拉强度离散性进行评价,探讨了体积效应和玄武岩纤维强度分布离散情况之间的关系.结果表明:玄武岩纤维的拉伸强度及其离散性均受到体积效应的影响,随着试样长度增加纤维强度逐渐下降、强度的离散性则逐渐增加;同时,随着试样细度的增加,玄武岩纤维的强度逐渐减小,但细度变化与强度离散之间无一定的规律.     

基于不同归一化参数的单自由度体系 残余位移比离散性研究

结构弹塑性特征的差异会引起残余位移较大的离散性,使得强震下结构残余位移难以准确预测.为准确评估和预测震后结构残余位移,实现精细化的抗震设计和评估,有必要研究结构残余位移的离散性.鉴于此,基于大量分类地震动记录,选用不同的归一化参数分别定义残余位移比,通过非线性时程分析建立单自由度体系残余位移比谱,研究弹塑性特征参数(延性系数和强度折减系数)以及场地条件对残余位移比离散性的影响,建立了残余位移比变异系数谱的拟合公式.结果表明:残余位移与弹塑性谱位移的相关性比与弹性谱位移更好;结构残余位移比离散性受场地类别的影响较小;残余位移比变异系数谱分别随延性系数和强度折减系数的增大而增大;选择弹塑性谱位移作为归一化参数可以减小结构残余位移比离散性.     

多输入混合深度学习网络的健康因子构建方法

工业大数据具有多类型、多维度的特点,单一类型的深度学习网络结构无法充分提取数据中包含的性能退化特征。针对上述问题,提出一种可同时融合处理一维时间序列数据和二维图像数据的多输入混合深度学习网络健康因子构建模型。根据输入数据类型特点搭建的混合深度学习网络包含时间特征提取层、空间特征提取层、融合层和全连接层。时间特征提取层主要由叠加的多个长短时记忆(long short-term memory, LSTM)网络构成,用于提取一维时间序列数据中蕴含的时间特征。空间特征提取层主要由深度卷积神经网络(deep convolutional neural network, DCNN)构成,用于提取二维图像数据中的空间特征。融合层将时间特征与空间特征融合。最后,利用全连接层输出健康因子值。滚动轴承全寿命周期试验结果表明:本文提出的多输入混合深度学习网络的健康因子构建方法能够深度挖掘不同数据类型包含的性能退化信息,有效降低了性能退化曲线的离散性,有助于减小剩余寿命预测结果的不确定性,同时在一定程度上提高了单调性和趋势性,提高了剩余寿命预测精度。