使用王朗道蒙特卡罗算法和机器学习研究伊辛模型相变

文章以伊辛模型为例，首先利用王朗道蒙特卡罗算法构建了完备的数据集，相较于常用的Metropolis算法，避免了在相变点处的临界慢化效应和在低温下无法遍历到所有重要构型的不足。然后运用非监督机器学习方法进行研究：采用主成分分析法与K-means算法处理数据集，采用Calinski-Harabasz指标分析模型相变。最终得到伊辛模型的相变点，与传统方法结果一致。本文方法为使用机器学习研究统计物理中的相变现象提供了一种可行的解决途径。     

双圆弧谐波齿廓设计方法

针对双圆弧齿廓参数表征量多、圆弧尺度与设计参数关联度低的不足，提出一种根据柔轮齿与刚轮齿的相对运动特征设计双圆弧谐波齿廓的方法．首先，根据工况参数与柔轮中线变形曲线函数特征，分别在固定刚轮与固定柔轮两种形式下分析柔轮齿廓公切点的运动轨迹，提取其最大切向位移量作为齿顶圆弧的参数特征，并建立齿顶齿廓连续共轭条件及设计公切点倾角；在此基础上，根据给定的齿厚比与分度圆，分析切向位移量系数与公切线倾角对共轭啮合区间的影响，并结合连续共轭条件遴选合理的齿廓重要参数．其次，结合算例分析了传动比分别为80和100时柔轮齿与刚轮齿的啮合状态及性能，结果显示共轭齿廓能够实现连续啮合且不存在干涉．最后，结合有限元仿真校验齿廓啮合特性，结果表明：共轭存在角度为68.31°、单侧共轭齿对数为37对、啮合侧隙最大值小于10μm，有限元仿真与数值算例分析结果基本吻合，验证了本文设计方法的有效性．     

FISHER气动执行机构的调试分析

随着管道建设的发展，气动执行机构的应用也越来越普遍。其中FISHER气动执行机构由于其结构简单，可靠性高等优点被广泛应用。因此有必要对其工作原理进行研究，使得管道运行人员能够更好的调试维护此类设备。     

轮轨激励条件下轴箱轴承内圈故障振动特性分析

高速列车运行过程中，轮轨复杂激励会对轴箱轴承的动力学行为产生不可忽视的影响.首先利用UM(universal mechanism)软件建立车辆-轨道动力学模型，在对车辆模型进行稳定性、平稳性和安全性验证的基础上，获取了复杂激励下轴箱轴承所受的垂向、纵向和横向载荷；然后，通过Solidworks软件和ADAMS软件建立了轴箱轴承内圈剥离故障动力学模型，通过与滚振实验台轴箱轴承实验对比，验证了所提模型的准确性.通过动力学仿真分析可知，轴箱轴承故障侧的滚子与内圈接触载荷大于非故障侧与正常轴承，故障侧保持架的振动大于非故障侧与正常轴承，内圈故障冲击加剧了轴承保持架与外圈的质心波动.最后，进一步对比考虑轮轨激励下与定载荷下故障轴承仿真结果发现，受轮轨激励的影响轴承内部各个元件间的接触载荷显著增大，轴承保持架与外圈质心运动轨迹盒维数显著增大.研究成果对揭示实际工况下高速动车组轴箱轴承内部元件振动特性规律具有重要意义.     

体育运动与青少年心理问题的项群特征研究

该文采用文献资料法、专家访谈法、逻辑分析法等研究方法,从竞技体操、竞技武术套路、竞技跳水这些具体项目去分析表现难美性项群所具有的共性特征和个性特征,分析了促进个性形成和发展的体育因素,说明了体育运动与青少年个性心理形成与发展之间的关系,提出了体育运动中促进青少年个性形成与发展的解决方法及策略,旨在为进行青少年心理问题研究者提供参考。     

瓦斯综合治理措施在非突出区域全层放顶煤工作面中的应用

突出煤层非突出区域的瓦斯综合治理工作,是回采工作面安全生产的关键。鹤煤五矿2302工作面通过采取瓦斯综合治理措施,有效防止了工作面的瓦斯超限事故,确保了工作面的安全正常生产。     

一种非接触式平面应变测量传感器的设计

设计了一款应变测量传感器,该应变测量传感器由安装在同一印制板上的三个专用芯片组成,每一个专用芯片上的CMOS感光器用于测量所在位置上的平面位移量.通过对传感器的建模分析,确定了传感器的结构设计,并针对设计传感器的误差来源,研究了传感器与被洲表面的粘贴方式和误差修正方法.实验表明,设计的传感器能够实现毫米级形变范围内的应变测量要求,同时设计的传感器可以作为一个传感器节点,应用于无线传感的应变监测网络中.     

求解非对称代数黎卡提方程的一种新交替线性隐式迭代法

提出了一种新交替线性隐式迭代法来求解非对称代数黎卡提方程的最小非负解,证明了该算法的单调收敛性,并且估计了该算法的渐进收敛因子.与已有的交替线性化隐式迭代法相比,该算法在迭代次数、CPU时间以及误差3个方面均有一定优势.     

自杀式袭击者是如何产生的

<正>人们认为,自杀式恐怖分子是理性的政治行为者,自杀式的枪手则是精神错乱、性格孤僻的人,其实这两类人的共同点远远比我们认识到的要多,但区别在于,他们为何种文化力量所塑造以及想要模仿哪些毁灭性的行为。梅·爱摩·康斯、阿里·阿布·卡马尔、希沙姆·穆罕默德·哈达耶以及尼达·马里克·哈     

Semiparametric Preference Learning

Unlike traditional supervised learning problems,preference learning learns from data available in the form of pairwise preference relations between instances.Existing preference learning methods are either parametric or nonparametric in nature.We propose in this paper a semiparametric preference learning model,abbreviated as SPPL,with the aim of combining the strengths of the parametric and nonparametric approaches.SPPL uses multiple Gaussian processes which are linearly coupled to determine the preference relations between instances.SPPL is more powerful than previous models while keeping the computational complexity low （linear in the number of distinct instances）.We devise an efficient algorithm for model learning.Empirical studies have been conducted on two real-world data sets showing that SPPL outperforms related preference learning methods.