具有部分缺失数据混合几何分布总体的参数估计

在部分数据缺失情形下,研究混合几何分布总体参数的矩估计,证明了此估计量的强相合性及其渐近正态性质.通过随机模拟,给出不同样本容量下总体参数估计的均方误差,模拟结果显示均方误差较小,说明此方法具有可行性.     

滨海高速公路软基变形规律及沉降预测应用

滨海高速公路因软土欠固、海盐侵蚀和鱼塘开挖等因素导致路基出现一定程度的差异沉降,对高速运行车辆造成严重的安全隐患.为了探讨软土路基沉降变形规律,对路面沉降量、水平侧向位移和路基裂缝间的关系进行分析.基于路面实测沉降资料,建立以误差平方和倒数与误差绝对值倒数为基础的变权重组合预测模型.工程实例分析表明,当路面累积沉降差大...     

建党百年来的青年文化:迭变与启示

青年文化源于时代,又影响着时代.建党百年来,青年文化总体呈现出在革命救国与奋勇兴国中坚定前行、在批判反思与颓丧调侃中负重前行、在理性思考与非理性迷茫中矛盾前行的迭变脉络.这为我们透视建党百年来的社会变迁提供研究视野,也为中国共产党引导青年文化提供启示.要坚持党管青年原则,引导青年文化发展的正确方向;构建立体青年角色模型...     

典型1.5MW风力发电机组变桨系统深度治理方法

行业内早期1.5 MW风力发电机组变桨系统由于中国风场的特殊情况,同时风力发电机组所处环境较为恶劣,导致机组变桨系统控制与运行频繁出现各种故障,严重影响风力发电机组的可靠性和运行率。因此,需对运行8年及以上风力发电机组变桨系统进行深度治理,使机组运行更稳定可靠,减少变桨系统故障频发现状,增加机组利用率及发电量。     

一种针对多峰随机分布的不确定性传播分析方法

在实际工程应用中随机变量可能会服从多峰随机分布,如火车减振器在长期使用后的阻尼特性和安全切割试件修复后的疲劳寿命等.传统的不确定性传播方法主要用于处理单峰随机分布问题,而在处理多峰随机分布问题时容易产生较大误差.本研究提出了一种针对多峰随机分布的不确定性传播分析方法.首先,使用高斯混合模型建立多峰随机变量的概率密度函数;其次,发展了一种高效三元降维法计算响应函数的高阶统计矩,该方法可以有效提高不确定传播的计算效率;再次,使用最大熵方法来计算响应的概率密度函数并且通过基于熵值的自适应方法来确定统计矩的最优阶数;最后,使用四个算例验证了提出方法在多峰不确定性传播中的计算精度和效率.     

源重构近远场变换的探头补偿算法

源重构近远场变换方法在天线测量、天线诊断以及成像等方面的应用越来越多.该方法将待测天线的近场分布等效为包围待测天线的一个平面上的磁流作用,从而进行近远场变换,但现有源重构方法由于没有合适的探头补偿算法而精度较低.对此,首先根据互易定理给出等效磁流和探头接收信号之间的积分方程;然后用矩量法将其转化为矩阵方程,并求解出磁流分布;最后得到待测天线的方向图.波导探头测量喇叭天线的例子表明：所提方法得到的方向图的均方根误差仅为现有无补偿方法方向图均方根误差的1/3,该探头补偿算法准确有效.     

一类具有连续偏差变元的二阶非线性中立型方程的振动性

建立了一类具有连续偏差变元的二阶中立型泛函微分方程解的振动准则,所得结果推广了以往的相应结果,并给出了具体例子.     

爆破冲击波在隧道变截面断面的传播特性

为研究爆破冲击波在隧道内复杂环境下的传播规律,以老营盘隧道为依托,通过建立三维数值模型,在LS-DYNA软件中分析了隧道断面变化不同系数下冲击波的传播规律。研究结果表明：冲击波经过变截面后,总体上以平面波的形式向前传播;冲击波传播至隧道断面扩大界面时,冲击波超压衰减速度加快,超压峰值降低;当断面扩大1.5倍时,冲击波冲量衰减系数为1.158,冲击波能量残留比率为74.5%;断面扩大倍数越大,冲击波超压衰减速度越大,能量衰减幅度越大;冲击波传播至隧道断面缩小界面时,冲击波超压增大,其衰减速度减缓,导致冲击波造成的损伤程度增加;当断面缩小系数取0.5时,冲击波冲量增强系数为0.687,冲击波能量放大系数为2.122;断面缩小系数越小,冲击波造成的损伤越大。     

基于板-梁理论的FGM双轴对称箱形截面组合扭转理论与有限元验证

基于板-梁理论研究FGM双轴对称箱形截面组合扭转理论与有限元验证.首先,选取弹性模量变化函数,建立能量变分模型,引入无量纲参数,获得双轴对称箱形截面组合扭转的近似解析解;然后,利用微分方程模型计算双轴对称箱形截面组合扭转的精确解析解,给出微分方程解答;最后,利用ANSYS有限元分析软件进行验证,将本文研究所得解析解和ANSYS有限元分析软件得出的解析解进行对比,对比结果验证了本文理论推导及所给出的自由扭转刚度、约束扭转刚度表达式的正确性.     

基于自监督信息增强的图表示学习

针对图表示学习模型依赖具体任务进行特征保留以及节点表示的泛化性有限等问题,本文提出一种基于自监督信息增强的图表示学习模型(Self-Variational Graph Auto Encoder,Self-VGAE)。Self-VGAE首先使用图卷积编码器和节点表示内积解码器构建变分图自编码器(Variational Graph Auto Encoder,VGAE),并对原始图进行特征提取和编码;然后,使用拓扑结构和节点属性生成自监督信息,在模型训练过程中约束节点表示的生成。在多个图分析任务中,Self-VGAE的实验表现均优于当前较为先进的基线模型,表明引入自监督信息能够增强对节点特征相似性和差异性的保留能力以及对拓扑结构的保持、推断能力,并且Self-VGAE具有较强的泛化能力。