局部区域粒子源聚集生长的模拟研究

以DLA模型为基础,模拟研究了在二维欧几里德平面上由局部区域内产生随机运动粒子的聚集生长过程,发现对于足够大的粒子运动区域和足够远的粒子源距离,凝聚集团大体上被限制在欧氏圆形面内,圆心在粒子源对称中心和种粒子的连线上,且比种粒子更加接近粒子源;凝聚集团朝各个方向的平均生长速率虽然不同,但整体仍呈分形结构。     

基于次近邻条件下局部区域粒子源聚集生长的模拟研究

以DLA模型为基础,模拟研究了基于次近邻条件下,由局部区域产生随机运动粒子的聚集生长过程。模拟发现次近邻条件下凝聚集团的生长情况与最近邻情况下的生长情况大致相同,凝聚集团的各向生长速率不等,集团的中心仍处于粒子源对称中心和种粒子的连线上,比种粒子更加接近粒子源;凝聚集团整体仍呈分形结构,但集团的分形维数却比最近邻条件下的情况小很多。     

聚集生长凝聚集团平均特征长度与粒子数关系研究

从统计的角度出发,在二维DLA模型的基础上,以正方形四边中点作为随机粒子产生位置的聚集生长凝聚集团进行研究,测量在不同粒子数情况下凝聚集团的平均特征长度,寻找平均特征长度与粒子数之间的关系。结果发现,平均特征长度与粒子数的双自然对数曲线基本成直线,理论上由该直线的斜率可以导出凝聚集团的分形维数为1.605,但是却比凝聚体的实际分维数偏小。     

双粒子DLA的释放粒子边界影响和自身调节

对于二聚合物类(dimer)的双粒子的扩散限制聚集生长(Diffusion-Limited-Aggregation,DLA)现象,我们研究了在不同的边界范围释放双粒子所聚集的粒子簇(cluster),发现对于由相同类粒子即无极性粒子构成的双粒子生成的粒子簇的分形(fractal)维数随释放边界离粒子簇中央距离的减少而增大,而且粒子簇形貌更加紧致(compact),但对于由不同类粒子即有极性粒子构成的双粒子簇,其分形维数变化无规律,有极性双粒子的 DLA 是一种新的模拟模型。     

气溶胶凝聚粒子的分形模拟

分析了大气气溶胶特性的研究意义及气溶胶粒子的分形特征.基于DLA模型模拟了不同原始微粒数目凝聚生长的分形气溶胶凝聚粒子,并将模拟结果与实验观察结果相比较,验证了模拟结果的可靠性.给出了凝聚粒子分形维数随原始微粒数目的变化曲线,结果显示,原始微粒数目直接影响凝聚粒子的分形维数.     

简约粒子群优化算法

针对全局版粒子群的早熟和局部版粒子群的最优位置信息利用率低的问题，提出简约粒子群算法．该算法使用速度松弛迭代策略，使粒子不必频繁更新速度，当粒子速度有利于适应度进一步提高时，就在下一个迭代周期内维持该速度，这有利于提高良好速度信息的利用率，减小算法的计算量，加快运算的收敛速度．同时，利用精英集团策略，使多个最优位置信息在种群内充分共享，有效地控制了种群多样性，避免了早熟现象．在典型标准测试函数上进行了全局、局部版惯性因子粒子群和全局、局部版约束因子粒子群测试比较，结果表明简约粒子群算法具有更强的寻优能力和更高的稳定性，且计算量也比较小．     

基于速度变异的粒子群算法

为了改善粒子群优化算法在收敛后期极易陷入局部最优的缺陷,提出了在非线性惯性权重策略粒子群算法的前提下,对陷入局部极值区域的粒子进行位置变异,使得粒子能很好地跳出局部极值区域,并在迭代前期及后期采用不同速度变异策略使处于个体极值点的粒子改变速度,能够有效地提高算法的前期全局搜索能力和后期局部开挖能力。通过4个经典测试函数验证了该算法具有更好的优化性能。     

基于sharing函数具有死区初始化功能的 粒子群算法

主要是研究粒子群优化原理,针对粒子群算法的中局部最优问题,提出一种具有死区初始化粒子群算法.首先通过观察MATLAB可视化下粒子的运行轨迹,分析粒子陷入局部最优时的特征,并针对运行过程中出现停滞现象的粒子群,以当前局部最优粒子为中心画定“死区”,并对“死区”内的粒子重新初始化.利用标准测试函数进行测试,仿真结果表明,改进后算法不仅具有良好的稳定性,而且提高了粒子突破局部收敛限制的能力,从而提高了粒子群搜索最优解的能力.     

并行局部概率假设密度(PHD)粒子滤波

针对概率假设密度滤波权值更新效率低下的问题, 提出一种并行局部概率假设密度粒子滤波?通过聚类将粒子按目标估计个数进行分类并添加标签,通过一步预测和跟踪门限将观测区域划分为目标存在区域和不包含目标的杂波区域,修正目标所在的局部区域杂波强度公式,独立并行地计算每个目标所在区域的局部概率假设密度?仿真结果表明,并行的局部概率假设密度粒子滤波时效性更高,误差更低?     

分形聚集生长性质研究

本文在分形生长DLA模型和有限步扩散反应置限聚集模型的基础上,考虑粒子扩散置限和粒子扩散有限步数的影响的同时,引入扩散粒子与种子或聚集集团粒子相遇时的聚集反应概率P,种子或聚集粒子对次近邻位置扩散粒子捐引作用引起扩散粒子向各方向的行走概率变化（行走偏向概率）WP,研究粒子随机行走的分形聚集生长性质,通过计算机模拟得到一系列的分形聚集生长图形,计算其相应的分形维数,结果表明：在粒子浓度较小时,分形生长为DLA生长,随粒子向外扩散置限范围dr,反应概率p和行走偏向概率wp 的增大,聚集体的分形维数df也随之增大;在粒子浓度较大时,一般聚集体呈密集结构,此时不具分形结构。     

基于分组简化粒子群算法的盲源分离

传统盲源分离算法普遍存在收敛精度低和易陷入局部最优的缺点,针对上述问题,提出将蛙跳算法的分组思想应用到盲源分离算法中.该分组思想是将整个粒子群分为多组子群体,每组粒子在进行组内寻优的同时进行全局寻优,从而增加了粒子之间的差异性,可以有效避免早熟收敛.该算法以负熵为目标函数,通过对分离矩阵进行调整,使各个信号分量之间相互独立,从而完成对瞬时混合信号的盲源分离.实验仿真结果表明,提出的算法与基本的粒子群盲源分离算法相比,能有效避免早熟收敛并进一步提高收敛精度和算法的稳定性.     

基于K均值的带变异粒子群聚类算法

针对K均值算法的搜索结果依赖于初始聚类中心以及粒子群算法早熟收敛的缺点,提出了一种基于K均值的带变异粒子群聚类算法.该算法通过粒子群算法来弥补K均值算法的不足,根据粒子的收敛情况判断K均值操作的时机,提高了搜索性能,并采用变异操作来跳出局部极值.分别用K均值算法、PSO-K均值算法和该算法对3种实际数据进行了聚类测试,...     

钼酸镧超细微粒催化剂的合成及表征

以柠檬酸为络合剂,采用溶胶-凝胶法合成了La2(MoO4)3超细微粒催化剂,使用DTA-TG、IR、XRD以及BET比表面测试等表征手段,考察了制备条件与热处理条件对复合氧化物超细微粒形成、结构和表面积的影响。结果表明：本文法制备的La2(MoO4)3复合氧化物的比表面积远远大于共沉淀法制得的类似样品的比表面积,在氮气气氛中分解La2(MoO4)3凝胶中的柠檬酸,可有效地避免柠檬酸分解发生氧化燃烧而引起微粒烧结。     

Fe-Mo复合氧化物超细微粒催化剂的合成及表征

以柠檬酸为络合剂,采用溶胶．凝胶法合成了Fe-Mo复合氧化物超细微粒催化剂,使用DTA-TG、IR、XRD以及BET比表面测试等表征手段,考察了制备条件与热处理条件对复合氧化物超细微粒形成、结构和表面积的影响．结果表明：本方法制备的Fe-Mo复合氧化物的比表面积远远大于共沉淀法制得的同类样品的比表面积,在氮气气氛中分解Fe-Mo凝胶中的柠檬酸,可有效地避免柠檬酸分解发生氧化燃烧而引起的微粒烧结．     

基于均值迁移的粒子滤波算法研究

针对弱观测噪声环境下的粒子退化现象,特别是观测噪声较小时非线性非高斯的粒子滤波问题,提出了一种基于均值迁移的粒子滤波算法。首先,将核密度估计的无参快速模式匹配算法引入到粒子滤波中,并迭代计算概率密度估计。然后,利用均值迁移估计粒子梯度的方向,计算每个粒子移向其样本的均值。当粒子位置发生改变时,对重采样粒子进行加权处理。最后,根据本算法采样更新粒子集,有效地克服了粒子退化现象并提高了状态估计精度。     

粒度分布对赤铁矿浮选的影响

以赤铁矿为研究对象,通过浮选试验、扩展的DLVO(EDLVO)理论和凝聚动力学研究了粒度分布(粒径小于18μm的微细粒比例)对赤铁矿浮选的影响.浮选结果表明赤铁矿的浮选回收率与粒度的大小和分布有关,粗粒(粒径大于18μm)赤铁矿的粒度较大时或粒度分布均衡时(微细粒与粗粒含量接近)浮选回收率较高.EDLVO理论计算表明微细粒赤铁矿与粗粒赤铁矿之间存在吸引力,且吸引力的大小与粗粒粒度正相关;凝聚动力学分析表明粒度分布均衡时颗粒间的凝聚速率较大.这是粒度分布对赤铁矿的浮选回收率产生影响的主要原因.     

变径液固流化床单个颗粒运动模拟

变径液固流化床内单个颗粒运动过程的研究对整个流场分析具有重要的作用.通过Fluent-EDEM耦合计算,对变径液固流化床内单个颗粒运动行为进行了数值模拟.结果表明:不同密度颗粒进入分选区后,分别具有不同的运动轨迹,能够实现按密度分离,模拟分选效果较好;不同密度颗粒轴向速度表现为先是在短时间内迅速增加,达到一定速度后,开始逐渐减小趋势;将模拟所得单个颗粒轨迹与轴向速度值分别与高速动态拍摄所得值比较,吻合较好.     

基于聚类分析的改进微粒群算法

聚类分析是依据样本间关联的量度标准将其自动分成几个群组,使同一群组内的样本相似,而属于不同群组的样本相异的一种方法．在微粒群算法中由数量不等的粒子根据规则组合成不同的群体,所有的群体最终将会向着一个全局最优的位置运动．本文将通过改进微粒群算法的局部更新规则来改善算法的性能,根据由聚类半径确定初始聚类中心的方法将粒子群进行分类,然后运用该方法对所有粒子进行分类,初始化得到不同的粒子群体,最后对整个粒子群体进行优化得到全局最优解．