基于图像的AC20型混合料集料接触分布变异性

为量化集料之间的接触关系,提出了一种基于数字图像的沥青混合料集料接触分析方法,以AC20型沥青混合料为例,对72个车辙板试件切片图像进行处理,得到每个切片上集料接触数量及集料特征;通过统计分析,得到AC20型沥青混合料接触对总体分布规律,各档集料的接触对分布规律及单颗集料接触数分布规律;并分析了大于2.36 mm集料含量C>2.36,集料级配的细度指数FI和离析指数SI对样本接触对数量变异性的影响规律及这三个指标的内在联系.通过对AC20型沥青混合料接触状况的量化分析,可将接触特征作为混合料级配设计的参考因素,指导级配设计.     

相同条件下大样本沥青混合料的疲劳性能

采用一个沥青混合料小梁试件大样本,在相同条件下进行了应变控制疲劳试验研究,分析了沥青混合料试件疲劳寿命、初始模量和累计耗散能的分布规律,探讨了疲劳寿命与初始模量和累计耗散能的关系,以及疲劳寿命、初始模量和累计耗散能与试件空隙率之间的关系.试验结果表明:应变控制疲劳寿命数据的离散性大;沥青混合料的疲劳寿命、累计耗散能和初始模量呈三参数W eibull分布和对数三参数W eibull分布,三参数W eibull分布可以用于分析沥青混合料的疲劳数据;相同条件下,试件的疲劳寿命与初始模量数据线性和对数线性负相关,与累积耗散能数据呈现非常良好的线性正相关,疲劳寿命对数和累积耗散能对数与空隙率负相关性较好;初始模量与空隙率的相关性不明显.文中的研究结果验证和揭示了沥青混合料的应变控制疲劳破坏规律.     

结构关系度量误差回归模型的相合估计

讨论一般结构关系度量误差模型的大样本理论，给出了未知参数的一个强相合估计。     

电子时代的护眼秘笈

在这个全新的电子时代，电子产品正以惊人的速度在更新换代，于是，年轻的爸爸妈妈遇到了一个难题：一方面，处于数字化的时代，不可能把孩子和电子产品完全隔离开来。另一方面却又担心孩子的眼睛会因为电子产品而变坏。虽然目前还没有专门针对电子产品与视力关系的大样本研究来解答这些疑问，但是，我们可以根据孩子的眼睛发育特点来做些必要的防范。     

负二项分布参数的两种区间估计

研究了负二项分布参数的区间估计方法,给出其两种区间估计方法.首先给出负二项分布参数的精确区间估计方法;其次给出大样本近似区间估计方法.最后通过数值例子介绍这些区间估计方法的应用.     

基于固定半径包围球的核向量回归算法

为了进一步提高核向量回归算法用于大样本回归问题的训练速度,提出了一种改进的核向量回归算法。该算法利用样本数据在特征空间中的映射点确定包围球半径,并使该半径在迭代过程中保持不变。通过缩小核心数据集,提高了回归算法的训练速度。对几组回归时间序列预测的仿真实验表明,改进的核向量回归算法的训练时间和支持向量的数目均小于核向量回归算法,但二者具有相似的回归精度,从而验证了改进的核向量回归算法的有效性。     

DNA序列的分类

本文由浅入深提出三种分类模型,应用统计知识进行检验并指导分类,得到了精度较高的模型2和模型3,对从数学的角度解读人类基因图谱提供了一种思路。     

需求分布含未知参数时报童模型的实施方法

考虑需求分布未知时的报童模型,假设需求分布的类型已知,但分布函数中含未知参数.证明了直接使用参数的估计量代替参数真实值的实施方法将使报童的期望利润偏离理论上的最优水平,只能得到一个次优结果.给出了两种修正的实施方法:一是基于大样本理论,通过收集足够多的需求样本数据,不断修正未知参数的相合估计值;另是在小样本下,直接修正未知参数的估计量.     

自调用支持向量回归优化支持向量机参数

参数选择是支持向量回归分析的关键问题之一,在大训练样本条件下,大范围遍历搜索极为耗时。基于均匀设计和自调用支持向量回归,提出了一种将大样本搜索转化为小样本搜索的策略:在3因素9水平搜索范围,经混合均匀设计产生27个参数组合,每组合对训练集经交叉测试得其均方误差MSE;以MSE为目标函数,对该27个参数组合形成的小样本自调用支持向量回归以留一法进行大范围搜索建模,预测729个完全参数组合;取预测MSE最小的对应参数组合完成大样本的训练、预测。对5个基准数据集的独立预测表明,新方法在保证预测精度的同时,大幅度缩短了训练建模时间,为大样本支持向量机参数选择提供了新的有效解决方案。     

基于黄金分割法的ISODATA算法的大样本特征数据提取方法

如何从样本量大、数据结构复杂、离散度大的样本数据中提取有效的特征数据是模式识别的重点和难点,而ISODATA算法是处理大样本数据聚类的常用算法之一,其不足之处是需要预先确定初始聚类参数.提出了基于黄金分割法来度量聚类的有效性,该方法能动态计算聚类度量参数,可实现大样本数据的有效聚类.实验证明,该方法能够从原始特征中挑选出最有代表性、分类性能最好的特征.