BA模型的三种扩展

无标度网络的发现，使人类对于复杂网络的认识进入了一个新的天地．BA模型是对于这种新认识的第1个抽象模型．由于考虑了系统的成长性和连接的择优性，BA模型给人们带来了很多启发．但是BA模型的两个基本假定，对于解释许多现实中的现象来说过于简单，与现实的网络还有较大的距离．所以，作者试图对BA模型进行扩展，即根据现实中的网络，增添某些假定，并通过计算机模拟进行观察，以便进一步探索复杂网络系统的规律．对BA模型的扩充考虑了3个因素：择优选择的成本；边的重新连接；网络的初始状态．实验结果表明，在考虑了这些因素之后，BA模型的基本结论并没有变化，它们的影响在于演化过程的某些方面，例如在某些极端条件下的演变趋势等．     

一种改进的非线性铣削力建模与仿真

综合考虑再生振动效应和刀具偏心模型对动态铣削加工过程的影响．改进并建立具有较高预测精度的非线性圆周铣削力数学模型和铣削加工过程闭环控制系统．通过对比铣削动力学实验数据和计算机仿真结果验证了该模型的有效性和预测能力．     

灌浆套筒装配式桥墩的施工工艺及其应用

装配式桥墩的施工是一种比较成熟的施工方式,该方式性能可靠,施工便捷,极大缩短了施工工期。灌浆套筒连接是装配式桥墩的主要连接方式之一,结合施工工艺的经验,阐明套筒的构造,工作原理,整个施工流程及注意的事项。同时对装配式桥墩施工过程中的风险进行分析并提出建议,对装配式桥墩的施工具有指导意义。     

研发国际化、跨国知识网络与研发单元创新绩效——基于华为PCT专利(2002-2013年)的面板数据分析

为探索企业通过研发国际化所建立的跨国知识网络对其创新绩效影响的内在机理,本文以研发单元为分析单元,探讨知识连接和关系强度对其创新绩效的单独影响和共同交互效应,区分了跨国与本地知识连接和关系强度的作用差异,并进一步考察了研发单元年龄和规模等内部环境条件的调节作用.利用华为2002至2013年的PCT专利申请数据,构建了其37个研发单元12年跨度的面板数据集进行实证分析.结果显示：知识连接和关系强度对研发单元的创新绩效均有正向促进作用,但是二者对创新绩效的影响具有负向交互效应;跨国知识连接的作用效果高于本地知识连接,但跨国关系强度的作用效果低于本地关系强度;研发单元的年龄越小、规模越小,知识连接和关系强度对研发单元的创新绩效的影响效果越高.这些发现也表明,虽然在不同国家建立研发单元能够帮助企业获得异质性知识,但是研发单元与内外部合作组织间的知识连接和合作关系才是促进这些多样化知识传递、吸收和转化为创新的内在动力.本文研究结果能够为我国和其它发展中国家的企业拓展海外研发、促进创新能力提供启示.     

H型钢梁与矩形钢管柱平齐端板单向螺栓节点承载力性能

对H型钢梁与矩形钢管柱平齐式端板单向螺栓连接节点承载性能进行试验和理论分析研究.通过对3种不同形式的平齐式端板单向螺栓连接节点进行单调静力加载试验,获得了各试件的破坏模式和弯矩-转角曲线,讨论了螺栓破坏、端板破坏、柱壁破坏等3种破坏模式.基于试验现象提出了节点螺栓力理论分布模式,并给出了螺栓强度控制的节点抗弯承载力计算公式.通过将端板和钢梁腹板等效为T形件,得出了端板屈服控制的节点抗弯承载力计算公式.基于试验现象并利用屈服线理论提出了钢管柱壁的屈服线模型,运用虚功原理得出由柱壁强度控制的节点抗弯承载力计算公式.研究表明螺栓、端板、柱壁间的相对强弱关系直接影响节点的破坏模式,理论计算值与试验相比结果偏安全.给出了H型钢梁与矩形钢管柱平齐式端板单向螺栓连接节点的设计准则和建议.     

H型钢梁与矩形钢管柱端板单向螺栓连接节点

进行了6组平齐式、外伸式端板单向螺栓连接节点试验,并在现有研究成果的基础上,分别推导了单向螺栓抗拉刚度、受拉端板抗弯刚度、柱壁抗拉刚度、柱壁抗压刚度和受压外伸式端板抗压刚度的计算式.利用组件法推导了平齐式、外伸式连接节点在弯矩作用下初始转动刚度的理论计算公式.结果表明：给出的节点初始转动刚度的计算式与试验结果吻合较好,精度可满足工程设计的要求.最后,提出了H型钢梁与矩形钢管(RHS)柱端板单向螺栓连接节点的设计建议.     

竖向偏心荷载作用下吸力桶荷载-变形特性非共轴本构数值分析

在竖向偏心荷载作用下建立吸力式桶形基础数值分析模型,采用砂土非共轴弹塑性本构模型研究土体主应力方向旋转和非共轴角度的变化规律,探讨非共轴特性对吸力桶力学特性的影响.主要研究结论表明:在地基变形过程中,非共轴角度呈现先增大后减小的发展趋势.随着偏心距的增加,等效塑性应变在地基中的分布范围逐渐减小,非共轴特性也将减弱,非共轴特性对荷载-变形特性的影响逐渐减弱.对于桶壁端部阻力和桶壁外侧摩擦阻力,非共轴特性的影响随着偏心距的增加而减弱.对于桶体顶部阻力和桶壁内侧摩擦阻力,非共轴特性的影响随着偏心距的增加而逐渐显著.     

视觉概念学习方法研究进展

计算机视觉的核心问题是寻找视觉概念的层次化与结构化表示.以深度学习为代表的连接主义方法能够学习到输入图像数据的分层表示,这个表示具有优异的类内不变性与类间区分性,带来了视觉目标分类问题的突破式进展.而以图像随机语法模型为代表的逻辑主义方法试图基于先验知识和输入图像数据得到视觉概念的层次化与结构化表示,进而实现像人类一样的概念迁移学习,从更一般的意义上解释视觉现象.综述了两类方法各自的一些代表性工作,分析了其主要思路与各自的优缺点.分析认为,两类方法具有明显的互补性,在概率图模型框架下将两类方法综合是未来视觉概念学习的一个重要发展方向.