l_p范数波阻抗约束反演

以模型为基础的反演技术较直接，对地震资料进行反演有较高的分辨率，它将地震资料，测井资料和其他已知信息有机地统一在一起，将多解性降低到最小程度．ｌｐ范数反演较最小二乘反演可更加有效地消除噪音特别是较大偏差数据的影响．本文采用有约束的共轭梯度法求解ｌｐ范数的最优化问题．测井资料在本文的算例和实际资料的反演中得到充分的利用，主要表现在子波反演，初值估计和速度约束上．     

基于灰度和梯度不变矩的人脸识别

提出一种新的人脸识别方法———灰度-梯度共轭不变矩法,克服了传统方法的缺点,在不增加复杂度的前提下,将灰度信息和梯度信息有效地结合起来,并将其共轭分布反映的纹理特征作为对灰度特征的补充参与特征分类.同时,对经典不变矩组进行分析并改进,消除了离散状态下比例因子的影响.以BP网络作为分类器进行试验,结果表明,与传统方法相比,该方法具有更高的识别率.     

增长曲线模型关于共轭先验的BAYES分析

从贝叶斯观点利用共轭先验考查了增长曲线模型。得到了参数τ和协方∑的边缘后验分布，并在此基础上给出τ的后验估计、估计域和∑的后验估计。     

求解非光滑优化问题的修正HS三项共轭梯度法

为了提高大规模非光滑优化问题的求解效率,克服其他方法存储需求大、算法复杂等缺点,提出求解非光滑优化问题的一种修正HS共轭梯度算法。在经典HS三项共轭梯度法的基础上提出一种新的搜索方向,并利用Moreau-Yosida正则化技术和Armijo-type线搜索技术进行设计。新算法满足充分下降条件,搜索方向属于信赖域,在适当条件下证明了新算法全局收敛。初步的数值实验表明新算法在求解非光滑无约束优化问题方面比LMBM方法更有效。新算法不仅具有较好的收敛性质,而且数值表现良好,为更加高效地求解非光滑优化问题提供了新的方法。     

利用记忆梯度法改进的变步长恒模盲均衡算法研究

针对传统恒模盲均衡算法收敛速度慢、固定步长条件下收敛速度和收敛精度之间存在矛盾的缺陷,提出了一种利用记忆梯度法改进的变步长恒模盲均衡算法。用记忆梯度算法替代最速梯度下降算法实现对恒模盲均衡中均衡器权值的调整,充分利用当前和前面迭代点的梯度信息,同时利用梯度信息变化率作为学习步长调整因子。新算法有效地提高了算法收敛速度,与共轭梯度法和拟牛顿法等改进算法比较,具有较低的计算复杂度和更好的均衡性能。计算机仿真证明了这一算法的有效性。     

高温气体流过圆管时壁面发散冷却的数值模拟

对超高温燃烧室发散冷却全场进行有效的数值模拟对燃烧室材料结构设计具有重要的意义。该文通过FLUENT 6.1,采用RNG k-ε湍流模型,建立了高温气体流过圆管时多孔介质壁面发散冷却的全场耦合数值计算模型。该模型计算结果与低温氦气、低温空气发散冷却实验结果基本吻合。该文研究了常温氢气对超高温燃烧室内燃气的发散冷却,结果表明,忽略对流传质边界层的影响会导致计算预测的壁面温度偏高,忽略孔隙率局部分布的不均匀性会导致冷却壁面端部出现高温计算结果,这不符合常理。在注入率为1%左右时,冷却壁面温度在400~900 K的范围内,壁面局部热流密度降至200 kW/m2左右,可以满足航天器燃烧室保护壁面的需要。     

基于PVM的m-Step Jacobi PCG方法网上并行求解有限元方程

针对基于PVM的桌面PC机联网而成的网络并行计算环境中,处理机的运算速度较快而处理机间的通信相对较慢,以及微机的内存有限的实际情况,从实用的角度出发,给出了基于PVM的网上求解有限元方程组的并行m-Step Jacob i PCG方法,该算法的矩阵和向量采用行元素相邻单元贡献法实现有限元总体刚度矩阵和荷载向量的并行计算与组装,分块储存在各处理机上,其处理机间通信较少。并在1-4台桌面PC机连接成的局域网,PVM3.4 on W indow2000,VC 6.0并行计算平台上编程对该算法进行了数值试验,得到了较理想的结果。     

基于区间套混沌搜索的混合优化方法

基于对Logistic映射混沌变量概率分布的研究,提出了一种区间套混沌搜索方法,避免了混沌搜索的盲目性.将区间套混沌搜索方法与共轭梯度法结合,提出了一种混合优化方法,利用区间套混沌搜索方法搜索到近似最优点,再用共轭梯度法求得最优点.数值计算结果表明,该方法可显著提高优化效率.     

双参数精确罚函数求解约束优化问题的FR共轭梯度法

对于含约束不等式的最优化问题,给出一种双参数罚函数形式,提出了一个求解这种罚函数无约束优化问题的FR共轭梯度法,研究了它的收敛性.数值实验表明该算法是可行的.     

Bayes DLM 递推方程中未知参数分布假定的理论证明

贝叶斯动态线性模型（简称为ＢａｙｅｓＤＬＭ）是一种特殊的预测方法,它以一个动态方程组和先验信息为基础,通过一组递推修正方程预测指标的变化情况。本文给出递推修正方程的一个假定前提的理论证明,从而说明ＢａｙｅｓＤＬＭ的合理性和严密性