基于超完备时频展开的扩频通信抗干扰技术

针对传统的扩频通信变换域干扰抑制算法受基函数时频结构的限制,对干扰特性较为敏感这一不足,提出一种新的基于超完备时频展开的自适应干扰抑制算法．通过建立一个由局部三角基构成的超完备基函数库,库中包含多种具有不同时频特性的基函数,可以紧凑地表示多种干扰信号．然后利用一种有效的凹代价函数自适应地选择最佳的基函数与干扰相匹配,事先不需要知道干扰类型,对于快速时变干扰可自适应地跟踪干扰信号时频结构的变化．仿真结果表明,这种算法可以有效抑制多种干扰,大大改善扩频系统的误码率性能．     

一种新型前向神经网络用于汉语四声识别

提出了一种新型的前向神经网络，并研究了其在语音识别中的应用。该神经网络为只含一层非线性隐层的前向神经网络，以线性的输出层代替一般ＢＰ网络的非线性输出层，可以更准确地，范围更大地完成非线性函数估值功能。该神经网络采用了包括反向传播算法及最小均方算法的混合算法进行训练，可以减少落入局部最小点的概率以及提高收敛速度。     

羊骨胶原纤维的制备与表征

以羊骨为原料，采用盐酸脱除其中的矿物质制备得到胶原纤维。考察了盐酸浓度、体系温度等因素对羊骨胶原纤维制备的影响，并揭示了其影响规律。实验室制备羊骨胶原纤维的最优条件为，在每100 mL酸液中投入25 g羊骨粒的条件下，盐酸溶液浓度0.6 mol/L，体系温度25 ℃，每隔8 h更换酸液。对所制备的胶原纤维进行XRD、FT IR、DSC和SEM测试，结果表明，胶原纤维粗蛋白质量分数为96.54%；体系pH=8.5时，胶原纤维的收缩温度为62.6 ℃；胶原微纤维直径约为50~100 nm，并保持了完整的三股螺旋结构及典型的肽链结构。     

基于策略型顾客行为的策略选择研究:价格承诺或者定量配给

产品上市时间的先后以及销售变化引起价格的波动，必然会引起顾客的消费行为变化.顾客通过比较不同时期产品价格的变动，选择最佳的购买时机，表现出购买行为的策略性.针对顾客的这种策略性行为，商家该制定什么样的策略?基于这个问题，本文分别构建了价格承诺和定量配给决策模型，通过对决策模型的分析，给出了不同策略下商家的产品最优定价和订货量，使商家在对应的条件下进行策略选择.对比不同策略下的结果表明：这两种策略并不能彻底消除顾客的策略行为，只是在满足一些条件下可缓解他们的策略性行为.因此，商家可根据合适的条件选择策略来达到利润最优化.最后利用数值算例分析了相关参数扰动对最优策略的影响，并给出了针对商家采取不同策略下的管理建议.     

两个切触有理插值逼近算子

本文构造了两个切触有理插值逼近算子Hn(f;x)和Gn(f;x)。它们分别基于Hermite-Fejer插值多项式Hn(f;x)和Grunwald插值多项式Gn(f;x)。主要证明了当f∈c[-1,1]时,有|Hn(f;x)-f(x)|=0(1)Wr(1/n)(n≥2) |Gn(f;x)-f(x)|=0(1)Wr(1/n)(n≥2)其中Wr(δ)是f(x)的连续模。显然它们的逼近阶优于Hn(f;x)和Gn(f;x)的逼近阶[1]。     

冻融循环下混凝土细观结构演化及力学损伤特性研究进展

周期性冻融循环会对季冻区混凝土材料的细观结构产生不可逆损伤,进而劣化其承载能力与耐久性能。混凝土的冻融破坏本质上是内部孔/裂隙等初始缺陷在周期性冻胀力的作用下发生的疲劳损伤累积。因此,开展冻融循环条件下混凝土材料细观结构损伤演化特性的研究对于评估寒区在役混凝土结构的安全性具有重要的意义。围绕冻融循环条件下混凝土细观结构演化及力学损伤特性两个核心内容,针对混凝土细观结构获取与表征技术、混凝土冻融循环室内物理试验与数值模拟方法,以及混凝土力学损伤特性与耐久性评估等方面的研究现状进行了系统的总结与分析。传统的冻融研究主要集中于宏观尺度下混凝土局部损伤演化,从细观尺度入手,研究了冻融循环下混凝土细观结构演化与力学损伤特性,有助于更加深入地了解宏观力学性能与耐久性劣化背后的冻融破坏机制与初始孔/裂隙缺陷扩展-聚并-贯通的发展规律。在此基础上,建立考虑冻融参数的细观结构演化与宏观损伤特性之间的内在联系,实现冻融环境下混凝土材料宏观物理力学特性的准确分析。为寒区工程结构服役期的损伤特性识别、稳定性与耐久性分析提供参考。     

优化的竞争算法在语音识别中的应用

在传统的ＨＭＭ语音识别方法的基础上,提出了两种改进的竞争神经网络算法,分别用于语音识别的两个不同方面．首先提出了一种基于选择机制的新的竞争算法,这种算法可以有目的性地避免局部最优,而且可以克服模拟退火算法（ＳＡ）的随机性．然后,针对分类器的特性,对竞争算法进行改进,把安全拒识措施结合到竞争算法中,提出了一种新颖的神经网络——并行、自组织、层次神经网（ＰＳＨＮＮ）．实验结果表明,基于竞争神经网络算法的语音识别系统比传统的语音识别系统在识别能力和识别速度上都有明显提高,从而证明了与竞争神经网络算法结合的语音识别方法是可行的,而且具有良好的发展和应用前景．     

利用基因算法训练连续隐马尔柯夫模型的语音识别

为了提高语音识别系统的性能,基于全域优化的思想,提出了一种用于训练连续隐马尔柯夫模型（ＣＨＭＭ）的新算法——基因算法,并将该算法用于语音识别．用该算法训练ＣＨＭＭ,可得到最佳的模型参数,从而提高了语音识别率．利用该算法训练ＣＨＭＭ,不需要对ＣＨＭＭ的每一个参数单独进行估值,能够在一定的程度上提高训练速度．文中阐述了整个算法,给出了计算机模拟结果,并与传统的训练方法进行了比较．