渐近拟非扩张映象带误差的三步迭代的收敛性

在Banach空间中,证明渐近拟非扩张映象带误差的三步迭代列收敛于耦合不动点的充要条件.     

渐近拟非扩张映象带误差的三步迭代的收敛性

在Banach空间中，证明渐近拟非扩张映象带误差的三步迭代列收敛于耦合不动点的充要条件。     

Banach空间中一类变分包含解的迭代逼近

研究Banach空间中一类φ-强增生型变分包含问题解的存在性、唯一性及带误差的三步迭代程序的收敛性问题,所得结果改进和推广了近期的一些相关成果。     

凸度量空间中一致拟Lipschitzian映象的不动点迭代

证明了完备凸度量空间中一致拟Lipschitzian映象T的带混合误差的三步迭代序列收敛到不动点的一些充分必要条件．其中T不必是连续的．     

Banach空间中一类变分包含解的迭代逼近

研究Banach空间中一类ψ-强增生型变分包含问题解的存在性、唯一性及带误差的三步迭代程序的收敛性问题,所得结果改进和推广了近期的一些相关成果.     

具有Φ强伪压缩映像的非线性方程的带误差迭代序列的稳定性

介绍了带误差的三步Ishikawa迭代序列及研究了Lipschitizan和Φ强伪压缩映像不动点逼近的稳定性。也研究在实Banach空间中具有Φ半压缩和Φ强增生映像的非线性方程的稳定性。     

逼近极值强伪压缩映象唯一公共不动点的带误差迭代序列(英文)

在实一致光滑Banach空间中引入了一类新的逼近三个极值强伪压缩映象唯一公共不动点的带误差迭代序列,以及通过Petryshyn不等式讨论了该带误差迭代序列的收敛性.     

希尔伯特空间中的广义松弛余强制变分不等式体系及带误差的三步投影方法

给出了希尔伯特空间H中一类带误差的三步投影方法,借助投影方法的收敛性证明了由该算法生成的迭代序列强收敛于此类广义松弛余强制变分不等式体系问题的精确解,并推广了最近文献的一些主要结果.     

渐近非扩张映象的具误差的多步粘性迭代逼近

引入渐近非扩张映象的具误差的多步粘性迭代,在一致光滑Banach空间框架下,得出了渐近非扩张映象的具误差的多步粘性迭代序列的收敛性及强收敛于其不动点的条件.将一步和二步粘性迭代推广到具误差项的多步迭代.结果更具有一般性,进而推广与发展了最新的相应结果.     

逼近极值强伪压缩映象唯一公共不动点的带误差迭代序列

在实一致光滑Banach空间中引入了一类新的逼近三个极值强伪压缩映象唯一公共不动点的带误差迭代序列，以及通过Petryshyn不等式讨论了该带误差迭代序列的收敛性。     

全站仪测图图根控制点密度

针对测图时保证一定的图根控制点密度是控制成图精度的有效手段的问题，测图图根控制点密度是经过对测图方法及成图过程中的误差分析推算出来的，从全站仪测图方法产生的误差着手，根据成图点位误差的限差推算了全站仪数字化测图所需的图根控制点的最小密度值。并将该推算值与现行规范进行比较，提出实际工作中可执行的图根控制点密度值。     

基于汉字字频向量的中文文本自动分类系统

提出了一种根据汉字统计特性和基于实例映射的中文文本自动分类方法。该方法采用汉字字频向量作为文本的表示方法。它的显著特点是引入线性最小二乘方估计（ＬｉｎｅａｒＬｅａｓｔＳｑｕａｒｅＦｉｌ，ＬＬＳＦ）技术建立文本分类器模型，通过对训练集语料的手工分类标引以及对文本和类别间的相关性判定的学习，实现了基于全局最小错误率的汉字———类别两个向量空间的映射函数，并用该函数对测试文本进行分类     

具误差的渐进伪压缩映射不动点的迭代

主要研究在巴拿赫空间中具误差的渐进伪压缩映射Ishikawa和Mann 迭代收敛到不动点的问题.Ishikawa迭代和Mann迭代是具误差的Ishikawa迭代和Mann迭代的特例.在以前的基础上,将渐进伪压缩映射从单值推广到多值,将Ishikawa迭代和Mann迭代从不带误差推广到带误差.论文中所得到的结果是对以前结果的一种推广.     

ArUco-SLAM:基于ArUco二维码阵列的单目实时建图定位系统

高精度自动建图算法是ArUco二维码阵列定位系统应用的前提和核心,现有在线建图算法累计误差大且易受误检测影响,而人工标定和离线建图的方式则效率低、耗时长. 为解决上述问题,本文提出了一种ArUco-SLAM单目实时建图定位算法,其采用前后端并行建图、联合优化的框架,前端以坐标系变换封闭原理对地图进行快速更新和局部修正;后端以非线性优化算法最小化二维码顶点总体重投影误差,实现对关键帧序列囊括地图的全局优化;最终,基于联合优化算法实现对前后端地图的匹配,消除前端地图的累计误差. 设计实验对所提算法进行了验证,实验结果证明其相比现有建图系统有着累计误差小和建图效率高的优点,具有建立大规模二维码阵列厘米级精度地图的能力.      

螺栓被连接件轴向刚度高精度计算的半解析方法

以圆盘形螺栓被连接件为研究对象,结合有限元分析与理论解析,提出了一种精确计算被连接件刚度的半解析方法.利用精细的有限元分析模型,分析了不同弹性模量、泊松比、总厚度、装配间隙、厚度比对被连接件刚度的影响规律,构建了同材质上、下被连接件刚度的半解析模型.同时,结合不同材质上、下被连接件的等效方法,求解出上、下被连接件的压应力半顶角,实现了不同材料组合所对应被连接件刚度的精确计算.与有限元分析结果相比,被连接件刚度的相对误差小于3％,绝对误差小于0.02 GN/m.     

m-增生型变分包含解的存在和逼近问题

研究了Banach空间中一类m-增生型映象的变分包含解的存在惟一性及其具随机误差的Ishikawa迭代序列的收敛性问题．使用新的分析技巧，给出了具随机误差的一类m-增生型映象的变分包含解存在且惟一的若干充要条件．所得结果从本质上推广并改进了近期的相关结果，且所用的证明方法不同于已有的其他方法．     

Land-based mobile mapping system with its applictions for the Olympic Games

There is a trend for rapid spatial data capture supported by integration of multiple platforms and multiple sensors. This paper presents the principles and technologies of land-based mobile mapping systems based on an integration of remote sensing, GPS and GIS technologies. The innovations and advantages of the integrated system are described. The analytic model and error model of a mobile mapping system are proposed and the application interface of digital measurable images is also discussed. A Truemap Engine with Plug-in and API is designed to manage a huge volume of stereo image series from a land-based mobile mapping system so that other geographic information systems （GIS） engines can freely use the sequence of stereo images. The applications of digital measurable images （DMI） as well as mobile mapping systems in the Olympic Games in Beijing, 2008 are presented.     

螺栓被连接件刚度理论的计算方法

为了更准确地计算螺栓被连接件的刚度,引入了假设垂直螺栓轴线的受压层在径向位置压应力的4次关系式,推导了被连接件刚度的计算公式.结合有限元分析及插值计算方法,获得了不同材料、不同尺寸所对应被连接件的刚度,反算出了相应的半顶角,进而拟合出了半顶角的解析式.同时,采用I-Scan压力测量系统测得了被连接件结合面的压力分布数据,得到了实际的半顶角.实验结果表明,半顶角解析解的误差小于2°,与有限元分析结果相比,被连接件刚度的计算误差小于6％,因此所推公式可准确地计算被连接件的刚度.     

含运动副间隙平面机构位姿误差分析

将误差分析理论、优化技术与虚位移原理相结合,讨论了含运动副间隙平面机构的位姿误差,提出了一种机构位姿误差数值计算方法.利用虚位移原理,讨论了平面机构原始误差与输出端位姿误差间的映射关系;建立了平面机构中常见原始误差的数学模型,推导出平面机构输出端位姿误差表达式.根据优化思想,进一步探讨了输出端位姿误差的极值表达式.在已知各构件原始误差的情况下,通过计算机程序可以迅速得到含间隙的平面机构输出端的位姿误差.与其他同类方法相比,这种方法概念清晰,无需施加特定的外力,通用性强.     

增量构造负相关异构神经网络集成的方法

基于负相关异构网络,提出了一种增量构造异构神经网络集成(NNE)的方法.该方法在训练成员网络时,不仅调整网络的连接权值,而且动态调整网络的结构,从而在提高单个网络精度的同时增加各成员网络之间的差异度,减小网络集成的泛化误差.该方法包括构造最佳异构网络(BHNN)和构造异构网络集成(HNNE)两个部分,BHNN基于负相关学习动态构造多个最佳网络,HNNE利用训练好的最佳网络增量地构造异构NNE.使用网络泛化误差和集成泛化误差,整个集成过程可自动完成,无需预先确定成员网络的结构.分别对回归和分类问题进行了实验,相对于单个网络,该方法在测试数据集上的错误率降低了17%～85%,与已有的Boosting、Bagging等网络集成方法相比,错误率也有不同程度的改善.