无单位元的群分次环与G/H-分次模范畴

设R是具有局部单位元的G-分次环,对于任意群G及其子群H K.本文研究了H/K-分次R#G/H-模范畴(H/K,R#G/H)-gr与G/K-分次R-模范畴(G/K,R)-gr的同构.当取其特殊情形K={e}时,所得结果推广了刘绍学的相关结论.     

基于k-medoids聚类算法的低压台区线损异常识别方法

针对低压台区线损异常情况的判断问题,以电力公司用电信息采集系统采集的日线损率数据为基础,提出了一种基于k-medoids聚类算法的低压台区线损异常识别方法,并以某地区819个台区为例进行算法可靠性的验证.首先应用局部异常因子LOF算法对低压台区异常日线损率数据进行判断、筛选和剔除;其次应用k-medoids聚类算法对日...     

基于概率统计局部聚类的复杂场景弱小运动目标检测

在复杂场景下进行弱小运动目标的检测过程中,受到视频中有序相邻对象相似性的影响,难以高精度地识别低质量特征的运动目标.设计一种基于概率统计局部聚类的复杂场景弱小运动目标检测方法.建立空域模型、时域模型,分析小目标特征、背景特征以及噪声特征,从中提取弱小运动目标特征,使用概率统计局部聚类理论,拟定划分标准使用条件,实现目标轮廓曲线分段,将弱小运动目标检测流程进行整体优化,完成基于概率统计局部聚类的复杂场景弱小运动目标检测方法的设计.检测方法性能测试结果表明：在不同的实验图像下,设计的弱小运动目标检测方法的检测率平均值为69.8%,具有一定的实用性和可靠性.     

非线性薛定谔方程的五种差分格式

给出了非线性薛定谔方程的5种差分格式,并且分析了这些格式的局部截断误差以及稳定性和收敛性.并且用数值实验比较了它们的截断误差和运算速度.     

具有河流区域的蚊虫传播动力学分析

运用含有非局部项的River-Field反应扩散方程组,刻画含有河流区域内的蚊虫动力学模型.通过建立新的比较原理,采用构造单调序列的上下解方法,证明了解的存在唯一性,并给出了正平衡解全局渐近稳定的充分条件,通过扩散初期动态行为的数值模拟验证了所得的结论.     

一类分数阶比率依赖型捕食系统的动力学分析

讨论了一类食饵带有疾病的分数阶比率依赖型捕食系统的动力学行为.利用线性化方法定性分析了各类平衡点的稳定性,并给出了其正平衡点局部渐近稳定的充分条件.数值模拟显示,参数和阶数对平衡点的收敛速度及其稳定性产生很重要的影响.     

一类特殊的有限p-群

探讨了一类特殊的有限p -群,即对任意x,y∈G,如果[x,y]≠1,那么《x,y》(△)-G.主要证明了:如果满足这样条件的有限p -群G＝《x1,x2,…,xn》,其中对任意x∈G,《x》G是交换群或者内交换群.     

基于改进人工势场法的多无人机三维编队路径规划

针对传统人工势场法的障碍物附近目标不可达、存在局部极小点和振荡的问题对势场函数进行分析和改进,以保证目标点为势场的全局最小点。在动态势场中,引入是否陷入局部极小点的判断机制,并结合一种“沿目标方向90°移动”的方法来跳出局部极小点,实现多无人机编队的路径规划、协同避障和防碰撞。利用回归搜索法来对路径进一步优化。MATLAB的仿真结果显示,该方法有效地弥补了传统人工势场法的不足,提高了人工势场法的实用性。     

基于LWSVR的繁忙机场航班滑出时间预测

针对繁忙机场航班滑出时间预测准确率低的问题,结合局部回归和加权支持向量回归,提出基于局部加权支持向量回归的离港航班滑出时间预测模型。该模型采用K最近邻方法,减小训练样本集容量,并为每个预测样本构建一个预测模型。通过计算训练样本与预测样本间的马氏距离,来优化加权支持向量回归中高斯核加权函数的带宽参数,获得加权系数。结合某机场离港航班数据仿真分析,实验结果表明模型在误差允许范围内的预测准确率达到83.33%,模型更加稳定。     

基于LMKL和OC-ELM的航空电子部件故障检测方法

针对航空电子部件故障样本获取困难以及检测准确率不高的问题,提出基于局部多核学习(localized multiple kernel learning, LMKL)和一类超限学习机(one-class extreme learning machine, OC-ELM)的故障检测方法。仅运用正常状态的小样本数据,给出了LMK-OC-ELM的数学表达形式,并在不同的门模型下推导了LMK-OC-ELM中局部核权重的优化方法;在获取局部核权重的基础上,定义了离线故障检测所需的统计检验量与阈值,以便工程实现。将所提方法应用于某型接收机,结果表明,在训练时间可控的前提下,与4种常见的一类分类(one-class classification, OCC)算法相比,所提方法可均衡地提高召回率、查准率和特异度,以LMK-OC-ELM-sig为代表,其在F1、曲线下方面积(area under curve, AUC)、G-mean和准确率4个指标上,比最近提出的局部多核异常检测(localized multiple kernel anomaly detection, LMKAD)方法分别提高了1.60%、1.57%、1.53%和2.23%。