人脸边缘表示与估计的识别方法研究

人脸识别研究是利用计算机对人物身份的鉴别。为了探究人脸边缘特征表达方法,克服人脸识别受光照,时间和衰老等影响的难题,本文提出一种基于Wedgelet和四元数小波变换(QWT)的二维边缘特征表示与估计的人脸识别方法。本文提出的方法在标准1996 FERET数据库上得到很好的识别效果,其中Fc,DupI和DupII子集都高于其他方法,具有较低的计算复杂度和较高的计算精度。     

三轴试验确定邓肯-张模型参数及其在 FLAC3D中的应用

目前在工程中广泛采用邓肯-张双曲线模型进行土体的应力和应变分析。邓肯-张E-B模型共有8个参数,并且其各项参数易于从常规三轴试验求得。通过三轴试验确定试验土的各项参数,运用FLAC3D实现该三轴试验数值模拟与试验结果对比验证,并应用于实际工程的数值模拟中。路基竖向位移计算值和监测值的对比验证了邓肯-张E-B本构模型在有限差分程序中的准确性和适用性。     

数字式胎儿心率计的设计与实现

提出一种对胎儿心动信号做实时处理的方法。利用快速傅氏变换在频域上直接从多普勒信号中求得胎儿心率、采用该方案的袖珍式胎儿监护仪具有较强的抗干扰能力,硬件简单、适应性强,应用结果表明本方法具有检测成功率高和运算快速的特点。     

分形理论在织物折皱评定中的应用

利用计算机图像处理评定织物折皱.在全面分析了织物折皱图像的分形特征基础上,提出利用格栅法计算析皱图像灰度曲面的分维数,以此评定织物的折皱起伏情况.探讨了利用相似维数分析评价折皱图像的折皱纹理的形态复杂度.实验表明利用分形理论可以描述织物折皱特征,并对折皱性能进行评价.     

草原生态文明的系统美学建构

草原生态文明是以草原生产方式为基础,人与自然、人与人、人与自身协同共进的文明系统,该文明系统显象特征是广阔草原及其游牧生产、生活,而其深层次的特质则是一种立足于客体对主体价值的满足和主体自我限制而不断演进的系统美。对于草原生态文明的系统美学建构就是要透过表象提纯出内涵于文明系统中的美的样态、关的规律和美的实现,进而挖掘出推进草原生态文明可持续发展的美的力量。     

基于时变卡尔曼滤波的中途VSP钻前速度反演及在地层压力预测中应用

地层速度的变化是孔隙压力预测过程中的敏感参数之一,而岩层的性质、岩石的成分等众多因素则影响着速度的变化,导致其预测和估计的复杂性和困难性。本文首先利用中途垂直地震剖面(VSP)获得的已钻井段的时深关系及钻头前方未钻井段反射波场信息使用多元回归模型对地层速度预测问题进行建模,其显著特点是众多影响因素以属性形式作为输入模型,然后使用卡尔曼滤波器来求解该多元回归模型的参数,预测得到钻头前方地层速度。鉴于输入的VSP走廊叠加资料及衍生属性具有比常规地震更高的分辨率,从而使得预测得到地层速度也具有更高分辨率。基于以上工作基础上,我们将基于VSP预测获得的速度应用在地层压力预测中,并实际应用在琼东南盆地高温高压井中,预测了钻头前方300 m的地层速度,进而估算钻头前方地层的孔隙压力。后续的实测结果表明,预测结果较为可靠,为安全钻井提供了技术支持,验证了本文方法可行性。     

属性值和属性变化的增量属性约简算法

针对决策信息系统属性增加且属性值发生细化的情况下如何快速更新属性约简的问题,探讨了基于矩阵方法计算决策信息系统相对知识粒度的增量更新机理,设计了属性增加且属性值发生细化的矩阵增量约简算法。当决策表中的属性值细化且决策表中属性增加时,所提出的增量约简算法与非增量约简算法及其他增量约简算法相比,约简的分类精度变化不大,但是能够大大缩短计算约简的运行时间。最后利用一些UCI数据集做了大量仿真实验,仿真结果验证了所给出的动态属性约简算法能够有效地解决动态数据约简的问题。     

多阶段可校正系统退化建模与可靠性评估

退化数据在小子样、高可靠、长寿命产品可靠性评估中的作用日益突显。针对工程实践中多阶段可校正电子装备可靠性评估难题,综合考虑任务的多阶段性和校正行为影响,建立了基于Wiener过程的性能退化模型,采用贝叶斯方法得到退化模型中漂移参数的后验分布估计,构建了光滑函数解决系统校正行为导致的函数不连续性问题,在此基础上根据首次到达时的概率分布提出了多阶段可校正系统的可靠性评估方法,给出相关数值算例,验证了模型、方法和分析结果的正确性和实用性。     

MnO_2/竹炭超级电容器电极材料的性能

采用机械球磨法将竹炭和MnO2按不同比例复合,得到一系列不同配比的MnO2/竹炭电容器电极复合材料,对其进行扫描电子显微镜(SEM),X射线衍射(XRD)和热重分析(TG-DSC),并进行循环伏安和电化学充放电测试。结果发现,当MnO2在复合材料中的质量分数为1%时,电极比容量可以达到338 F/g,100次循环后维持在260 F/g,显示很好的电化学性能。     

基于近邻决策域内局部分布密度的改进KNN算法

经典KNN算法和以往的基于密度的改进KNN算法都缺乏对训练样本数据分布的有效性描述,因此会间接影响到分类结果。提出一种基于测试样本近邻决策域内局部密度的改进KNN算法,通过计算各不同类别在近邻决策域内的局部密度,并同时考虑到类间偏斜度的存在,得到各类密度补偿系数和倾斜度平衡因子,从而达到削弱高数量、大密度类别,增强小数量、低密度类别的目的。在UCI数据集上的实验结果表明,该改进算法在保持经典KNN算法分类准确度的基础上,能够提高分类的召回率和F1-measure指标。