大体积混凝土的防裂措施

大体积混凝土在施工中经常会出现混凝土裂缝，特别是温度裂缝，严重影响混凝土的抗渗等性能，阐述了大船重工大坞建造施工中针对防裂采取的有效措施及混凝土的测温监控，为保证大体积混凝土的施工质量提供参考。     

实行计划生育人口复杂巨系统的数学模型

提出了实行计划生育人口复杂巨系统的数学模型 ,它是一组无穷维分布参数一阶线性偏微分方程系统 .该模型含有孩次、节育及绝育等与计划生育有关的系数 ,而 Sharpe-Lotka模型没有 ,因此本文所提出的模型克服了 Sharpe-Lotka模型简单粗糙的不足 .     

基于树型空间的三维树木模型匹配

为解决三维树木模型的检索具有正确率低、检索效率低、描述不匹配等问题,提出一种基于树型空间的三维树木模型匹配方法。该方法通过构建三维树木模型数据集的树型空间,辅以主轴匹配,轮廓匹配,枝干匹配等方式,经过树型空间中欧氏距离和测地线度量差异值,逐步匹配到相应的三维树木模型,该方法分别在通用模型数据集和自我设计的模型数据集进行了匹配性实现,结果表明可以较大幅度提升树木模型匹配的准确率,利于三维树木模型的大规模检索和重用。     

有色金属大型壁板型材连续轧挤初探

利用自行设计改装的连续轧挤设备模拟大型壁板型材的成形.以橡皮泥作为模拟试验材料,在由二辊轧机改装得到的连续轧挤设备上进行试验,模拟了宽×厚为98 mm×1 mm的板材连续轧挤生产过程.橡皮泥模拟试验及连续轧挤的工程法力学分析证明,利用连续轧挤法制备大型壁板型材是可行的,对大型壁板型材的制备有一定的指导作用.     

改进的聚类算法及在复杂大群体决策中的应用

针对现有FCM聚类算法中存在的局部极值和伸缩性较差等问题,提出了基于全部最小连通支配集算法(minimum connected donating set algorithm,MCDSA)的改进的聚类算法(minimum fuggy C-means,MF-CM)。用改进的聚类算法MFCM辅助复杂大群体决策(complex huge group-decision,CHGDS),定义了群体偏好矢量和群体一致性指标,提供了一种新的解决CHGDS中群体决策的理论和方法,并通过实验证明了该方法的有效性和稳定性。还提供了基于属性加权进化的群体一致性决策机制新思路。     

基于混合正态核函数的蚂蚁矿工算法

为了提高蚂蚁矿工算法处理连续属性的性能,采用混合正态核函数处理连续属性,使蚂蚁矿工算法能够处理具有连续与离散混合域的数据集.通过分析表明,混合域蚂蚁矿工算法有更高的准确率,能产生更简洁的规则.     

基于时依等比例风险回归模型的换道时长影响因素

研究了基于时依等比例风险回归模型的换道时长（LCD）影响因素。利用开源HighD数据集,提取了560条完整的换道（LC）轨迹,对整体换道时长分布进行了非参数估计;引入时依等比例风险回归模型,对当前车辆换道时长的影响因素进行分析。结果表明：大部分驾驶员在3~8 s内完成换道行为;共有6个变量显著影响换道时长,其中最为关键的为当前车辆自身车速,同时当前车道的前车与目标车道的后车对换道时长的影响也非常显著。     

C#．net利用数据集设计器调用存储过程

在c#．net程序中利用sql Data Adapter或者sql Command渊用存储过程比较方便,但是存在没有测用代码设计的支持,而只有在运行程序时执行到相应的语句,才能检企调用的代码是否有问题的缺点。如果在测试过程没有把所有可能执行到的语句都测试一次,程序往往会出现问题。针对这个缺点,提出利用数据集设计器调用存储过程。将存储过程变为强类型对象,这样编译器就可以在编译期间检查所有可能出现的错误。解决Sql Data Adapter或者Sql Command调用存储过程的不足的同时,还可以简化调用存储过程的复杂度。     

基于MLP&ST模型的空气质量预测

针对目前大多数模型均为对已监测区域的空气质量进行预测,而少有对未监测区域进行预测的问题,综合考虑气象因素、空间相关性和时间依赖性对空气质量的影响,提出了一种联合训练模型MLP&ST （MLP&spatial-temporal）,模拟预测北京市未监测区域未来时刻的空气质量指数（air quality index,AQI）。通过实验结果对比确定最佳历史时间步长P值为29;然后将模型与其他空气质量预测模型进行对比。实验结果表明,MLP&ST模型在3种评价指标下（RMSE,MAE,MAPE）皆优于其他对比模型,验证了所提出模型具有良好的预测效果。     

基于Relief的组合式特征选择

ReliefF是公认的效果较好的filter式特征评估方法,但该方法一大缺点是不能辨别冗余特征．提出两种基于Relief的组合式特征选择算法：ReCorre和ReSBSW,这两种算法均首先利用ReliefF算法过滤掉无关特征,然后分别采用相关分析(Correlation)以及顺序后向搜索(SBS)的Wrapper算法去除冗余特征．在实际数据集以及人造数据集上进行了实验,分析比较了Relief,ReCorre以及ReSBSW算法的性能．实验结果得出如下结论：ReliefF方法对无关特征较多的数据集能够很好的降维,但对于实际数据中特征间关系较复杂的情况,只能去掉很少的无关特征,并会去除一部分相关特征,ReliefF不能处理冗余特征,ReCorre可以在ReliefF基础上去除大部分冗余特征．ReSBSW算法可得到较好的泛化性能,但算法计算量很高,不适合大规模数据集．