SPS过程中导电粉体的显微组织演变规律及机理

放电等离子烧结(spark plasma sintering, SPS)是最近几年国际上兴起的粉末烧结新技术, 具有升温速度快、保温时间短、冷却迅速等独特优势, 尤其适于纳米及非晶块体材料、陶瓷和梯度材料等先进材料的制备. 然而, 与利用SPS技术探索新材料制备的实验报道相比, 有关其特殊烧结机制的研究极为缺乏. 基此, 选用导电的纯金属铜粉作为烧结原料, 设计了一系列烧结实验, 研究得出了SPS过程几个重要的特征烧结阶段及其中显微组织演变的规律. 提出了SPS过程中烧结体显微组织演变的“自调节机制”, 由此揭示了制备高致密度、均匀、细晶材料的SPS技术优势的内在机理; 还对SPS烧结体的致密化过程进行了定量预测, 实验测定值证实了模型预测结果.     

反馈型随机二元神经网络

提出并分析了一种全新的反馈型随机神经网络模型，该模型不同于常见的Boltzmann机，它不直接使用随机激活函数而是采用了随机型加权连接，神经元为简单的非线性处理单元.揭示了该网络模型存在惟一的收敛性平稳概率分布，当网络中的神经元个数较多时，平稳概率分布逼近于Boltzmann-Gibbs 分布. 另外，还讨论了该网络模型与Markov随机场之间的关系，并提出了一种新型模拟退火和Boltzmann学习算法.网络模型被成功地应用于解决难度较大的组合优化问题和人像的自动识别，实验结果证实了该模型具有强大的计算能力和优异的泛化性能.     

快速Hermite径向基函数曲面重构

在这篇论文中,我们提出了一个使用局部支撑径向基函数对三维散乱点进行Hermite插值或逼近的快速曲面重构方法.通过构造给定数据点集的一个层次结构,采用逐层精化的方式实现了全局曲面重构的效果,解决了因使用局部支撑径向基函数导致的问题.另外,设计一个基于逼近误差导向的径向基函数中心点选择策略,减少每层进行插值的数据点,从而使Hermite径向基函数曲面重构方法能处理百万以上规模的点云数据.实验结果显示,我们的方法还适用于极度非均匀分布或带噪声的点云数据的曲面重构.     

改进果蝇优化算法优化广义回归神经网络的预测问题研究

为提高传统非线性预测模型的预测精度,提出一种基于改进果蝇优化算法优化广义回归神经网络的预测方法,将果蝇群体分两部分分别进行迭代寻优,从而改进了果蝇优化算法的寻优性能,进而避免了在寻优过程中陷入局部最优。该方法利用改进果蝇优化算法优化广义回归神经网络的径向基函数扩展参数,然后用训练好的广义回归神经网络预测模型进行预测,最后通过订单预测算例进行实证研究。实证研究结果显示,该方法在解决订单预测问题中与未改进的果蝇优化算法优化广义回归神经网络和传统的广义回归神经网络方法对比,具有更高的预测精度和更好的非线性拟合能力。     

高维紧支径向小波框架的构造理论

提出了构造高维紧支径向小波框架的一个新的理论框架，不同于多分辨分析，首先选取一个连续可微的紧支径向基函数，相当于一维ＭＲＡ中的尺度函数；然后再利用这个径向一维函数和二阶导数来构造高维紧支径向小流。特别当这个径向基函数为局部支撑的无限光滑函数时，相应的高维径向小流也是局部支撑的无限光滑函数，这一特性对于一般的正交小波基是不具备的。     

激活函数可调的神经元模型及其有监督学习与应用

提出一种激活函数可调的新神经元模型(tunableactivationfunction,简记为TAF)模型,并给出这类模型的一般形式.该模型用于多层前向神经网络MFNN时,其激活函数可借类似BP算法进行训练而求得.通过几个具体例子给出了对激活函数进行训练的算法.试验结果表明,采用TAF模型的多层前向神经网络的网络容量和性能,优于采用通常M-P模型的网络.     

地表层温度的级联递推预测模型研究

基于径向基函数神经网络,利用陆面参数和地表层不同深度的钻孔测温数据建立了地表各层温度的预测模型.采用各层预测模型级联递推的方法由陆面参数向下逐层预测地表各层温度.该方法为热红外遥感用于大面积地块缝合带监测以及研究构造热异常探索了一种新途径.     

陶瓷材料微波烧结动力学机理研究

根据微波烧结的特点,结合陶瓷材料常规烧结过程的烧结机理,探索了以离子电导扩散为主的微波烧结动力学机理,采用平板－球模型,推导出了陶瓷材料微波烧结初期的烧结动力学方程,并以TZP,ZrO2-Al2O3陶瓷材料为例,对微波烧结初期的理论模型进行了验证．结果表明：微波烧结所获得的材料收缩率与烧结时间成2／3次方,与粉料的粒度尺寸成-4/3次方关系;而常规烧结收缩率与烧结时间成2／5次方,表明达到同样致密度时微波烧结所需的时间比常规烧结更短,与大部分实验规律相符（如TZP,ZrO2-Al2O3陶瓷材料）．     

一种新的模糊神经网络及其逼近性能

给出了一类折线模糊数间新的模糊算术，对于递增函数σ : R→R得到了一个新的扩展原理，并由此建立了一种新的模糊神经网络模型，该模型在设计学习算法、逼近能力等方面具有优越的性能. 最后证明了相应的前向三层网络可以作为连续递增模糊函数的通用逼近器.     

基于广义能量函数的快速自适应主分量提取

通过引入一个任意对角矩阵, 提出了一种广义能量函数(GEF)来优化一个两层线性神经网络的连接权矢量, 推导出一种递归最小二乘(RLS)算法, 不需要设计非对称电路, 即能并行提取一个输入协方差矩阵的多个主分量. 分析了算法在平衡点的局部稳定性能. 实验结果表明该算法具有收敛快、稳健性好等优点.