广义位移控制法在结构几何非线性分析中的应用

结构几何非线性分析的增量-迭代方法就是将增量平衡方程式中的荷载向量分解成荷载增量向量和不平衡力荷载向量两个部分,以便对每部分进行单独处理.在荷载增量向量中引入荷载增量因子,就可以通过控制荷载增量因子来控制结构的整个加载历程.将广义位移作为约束方程来确定荷载增量因子,从而形成广义位移控制法.数值实例结果表明,这是一种控制非线性求解的有效方法.     

线性模型系数的有界影响辨识

基于采样数据的新息增量过程,创造性地提出了回归系数的有界影响辨识算法．该算法具有简洁的递推关系和良好的容错能力．理论分析和仿真计算证实,该算法能有效地克服异常数据的不利影响,提高统计推断的可靠性．     

旅行推销员问题凸包方法的性能比分析

在欧几里德平面上证明了旅行推销员问题的凸包方法的性能比上界为n／2,同时给出了凸包随意插入算法的性能比可以接近n／2的例子。另外,对凸包增量最小插入法、凸包最近插入法及凸包最近加入法给出了性能比不超过3的证明。     

考虑黏土蠕变特性的大埋深盾构复推总推力增量解析解研究

由于黏土存在蠕变效应,黏土地层中盾构长时间停机会诱发盾构复推总推力增量过大、盾构姿态难以控制、管片易破损等次生风险等问题,将黏土地层视为Burgers黏弹性体,构建考虑地层应力和蠕变特性的大埋深圆截面隧洞简化力学模型,根据黏弹性理论推导盾壳-地层径向接触应力的黏弹性解,进而通过积分和分段计算求解复推总推力增量与停机时间的理论关系式。结合水工盾构隧洞停机实例,对比复推总推力增量实际值与理论值。研究结果表明：复推总推力增量实际值与理论值平均相对误差为13.81%,验证了该解析解的可靠性;隧洞埋深越大,复推总推力增量越大,表明大埋深段停机需更关注复推推力控制;盾壳-地层界面摩阻力随超挖间隙增大而减小,而复推总推力增量随之增大;此外,总推力增量随着盾壳-地层界面摩擦因数减小而显著减小。因此,设置合适的超挖间隙和长时间停机时采取往盾壳外注入膨润土等润滑减阻措施能有效预防大埋深段停机的次生风险。     

用改进增量法求解土石坝地基系统动力响应

基于增量Ｗｉｓｏｎ－θ法推导出增量形式的结构动力方程的数值迭代形式,并针对非线性结构的静动力数值分析提出了求解非线性方程垢改进增量方法。改进了的增量法,理论简单,程序实现方便,而且能更好地控制每步迭代引入的误差,能模拟整个加荷过程,并成功地应用于土石坝与地基的静动态相互作用研究。     

层次-关系型DBMS的实视图及其增量维护

以对象交换模型作为中间模型,讨论了基于层次关系模型的视图机制,提出了一个增量维护的算法．该算法以统一的ＳＱＬ语句定义,维护混合模型上的视图,并提高地图应用系统的适应性．     

光伏发电最大功率跟踪的改进方法

针对导纳增量法在低光照情况下不易进行最大功率跟踪的缺点,结合线性比例电流法提出了一种线性比例电流法结合导纳增量法的控制策略。利用Matlab/Simulink仿真软件,构建了光伏电池板和线性比例电流法结合导纳增量法的最大功率跟踪控制的仿真模型。仿真结果验证了线性比例电流法结合导纳增量法的合理性和有效性。     

平稳独立增量过程象集的一致Packing维数上界

本文讨论平稳独立增量过程象集的一致Packing维数问题 ,并获得了平稳独立增量过程象集的一致Packing维数的上界。如果 x ={x(t) ;t≥ 0 ;‖ξ‖ -α‖ ψ( ξ)‖ → 0 ,当‖ξ‖ →∞ }∈ ( 0 ,2 ) ,那么 ,P(DimX(E) ≤ β·DimE , E R 7=1 ,这里X(E) ={X : f E ,X(t)=X}。     

关于非线性方程组求解技术

提出了新的非线性方程解法。在进行结构非线性平衡路径的全过程分析时,在仔细研究了由Ｃｒｉｓｆｉｅｌｄ和Ｒａｍｍ提出,并被广泛用于非线性方程求解的著名的弧长增量法的基础上,提出了一种基于牛顿－拉菲逊法的十分有效的投影增量法,该法克服了弧长增量法的一个重点缺点,即必须根据结构特性来判定如何选取关于广义荷载参数λ＾ｉ＋１的一元二次方程中的二个根中的一个,而且其收敛速度要稍快,计算量也略小。并通过引进广义时     

自适应在线增量ELM的故障诊断模型研究

为满足现役装备根据故障样本数据集积累的特点进行自适应故障诊断的需求, 本文将极限学习机(extreme learning machine, ELM) 的数据增量学习、隐藏层增量学习和输出层增量学习(类增量学习)3种增量学习模式, 融合到一个统一的学习框架内, 提出一种凸最优自适应增量在线顺序ELM(convex optimal adaptive incremental online sequential ELM, COAIOS-ELM)。模型能够根据增量学习中误差的变化情况, 自适应地增加隐藏层神经元, 减小分类误差; 并可根据增量数据集中新出现的故障类别, 进行相应的类增量学习, 增加故障诊断的范围。有效解决了ELM增量学习过程中模型自适应动态选择最佳网络结构的问题, 提高模型的故障诊断的精度和故障诊断的范围。本文选择UCI数据集中公共数据集和Biquad低通滤波电路故障诊断数据集, 通过与类增量ELM (class incremental ELM, CI-ELM)模型对比实验, 验证了所提方法的有效性。