奇异点弧线处理方法及其应用

在入口端剪切面附近采用弧线圆滑过渡来处理刚塑性有限元求解板材轧制过程的第一类奇异点,开发了二维刚塑性有限元求解程序.依据实际轧制数据对速度场、轧制力、迭代步数及收敛性能进行了求解分析.结果表明:传统方法和弧线法计算的轧制力和实测值吻合良好,计算误差小于10%;弧线法能够反映奇异点附近的速度变化,较好抑制了奇异性产生;相比传统方法,弧线法平均迭代步数减少约26%,稳定性提高约55%,有利于在线快速稳定求解.     

一类函数迭代的性质

采用矩阵法求出分式线性函数f(x)=(ax+b)/(cx+d)的n次迭代表达式fn(x),并分别对fn(x)的周期性、单调性、不动点进行讨论.     

基于多标记文本分类的ML—KNN改进算法

利用已经分类得到的类别标记结果之间的相关性,提出一种迭代的改进ML—KNN算法（I-ML-KNN）,以提高多标记文本的分类效果．实验表明,改进的ML-KNN算法具有可行性和有效性．     

关于否定“3n＋1”猜想的一个证明

按照“3n＋l”法则,利用“4m＋3”迭代,提出了一个构建一个无限单调增值序列的方法,从而否定了“3n＋1”猜想。     

分析有限元线性方程组的求解方法

目的试图从几种常用的线性方程组的求解方法找出最优化方法. 方法从存储单元,运算量及收敛速度方面做了一系列比较分析.结果发现迭代法优于直接法,超松弛法优于其他迭代法.结论通过分析比较得出当迭代法收敛时,超松弛方法最优.     

基于误差分级迭代法的基坑变形预测

BP(back propagation)神经网络算法在变形预测方面存在收敛速度慢、学习效率低、容易陷入局部最小值等问题,直接影响预测结果的精准性,利用误差分级迭代法优化的神经网络能够更好地降低误差,提升预测性能.通过对比分析误差分级迭代法与BP神经网络的优势,建立误差分级迭代法模型并编制误差分级迭代法变形预测程序.采用基坑工程实测数据,经过误差分级迭代法优化后神经网络的最大误差为0.96％,与径向基神经网络预测精度相比提高3.5％,利用误差分级迭代法预测基坑变形结果其精准性较高,具有一定的实用价值.     

具变指数的拟线性方程解的最大模估计

考虑p(x)-Laplace方程Dirichlet边值问题的L∞估计,通过改进的迭代引理和De Giorgi迭代,给出了非负不增函数Ak∶=meas{x∈Ω:uk}的估计,并应用迭代引理得到了解的L∞正则性.结果表明:利用这种改进的De Giorgi迭代,在得到解的L∞估计时,也可得到该解对各种指标精确的依赖关系;这种正则性技术可应用到带有退化和奇异低阶项的偏微分方程中.     

单调映象方程解的遍历收敛性

通过对正则化迭代格式使用遍历性技术,建立了有界单调映象和满足线性增长条件单调映象方程解的大范围遍历收敛定理,所得结果对于伪压缩映象有直接应用。     

非线性方程数值解法的研究

本文主要是介绍非线性方程的数值解法,通过对牛顿迭代法、二分法和弦截法的实例化求解,分析并得出其一般性适用情况.由于非线性方程在科学计算中的广泛应用,使其对处理科学、工程问题以及相关的数值计算问题具有一定的启发意义.     

移频算法在加速子空间迭代法中的应用

基于子空间迭代法,采用移频加速算法,开发了一个高效、稳定、内存消耗低的移频子空间迭代特征值求解器SSubspace. 给出了详细的移频子空间迭代法求解广义特征值问题的步骤及关键参数的选取. 对刚度矩阵奇异时特征值的求解进行了探讨,实现了对刚体模态的求解. 与Intel MKL特征值求解器(FEAST v2.1)相比,SSubspace的求解效率高于FEAST,且内存消耗低于FEAST. SSubspace理论上可以求解出所有阶的特征值,且计算时间随特征值数的增加近似成线性增长关系,可用于求解大阶数特征值问题、大型矩阵的全特征值问题.