一类Wolfe搜索下的共轭梯度法及其全局收敛性

构造一个新的求解无约束优化问题的非线性共轭梯度公式中βk参数的计算公式,采用该公式得到Wolfe非精确线搜索的新算法,并证明新算法具有全局收敛性,并用数值实验验证新算法是有效的.     

一类矩阵方程的最小二乘双对称解及其最佳逼近

构造了一种迭代法求一类矩阵方程的最小二乘双对称解.研究了迭代序列的若干性质,证明了算法的收敛性.数值算例表明,这种迭代法是有效的.     

21%Cr铁素体不锈钢成型性能和表面起皱研究

以21%Cr铁素体不锈钢为研究对象,研究了热轧退火及冷轧润滑对带钢中织构和晶粒簇的影响.结果表明:热轧退火再结晶不完全时,成品带钢中心处的晶粒簇明显,且带钢厚度方向上织构梯度很大,使得带钢在成型过程中表面起皱和各向异性明显;冷轧过程不进行润滑时,与采用冷轧润滑的成品带钢相比,带钢厚度方向上的织构梯度增加,γ纤维织构的强度降低,使得带钢的成型性能恶化;当热轧退火使带钢发生完全再结晶,并在冷轧过程中进行充分润滑时,则可使成品带钢同时获得较好的成型性能和抗表面起皱性能.     

基于梯度加权类激活热力图的卷积神经网络故障诊断模型鲁棒性分析

深度学习近年来在故障诊断领域受到广泛应用,但基于深度学习的故障诊断模型缺乏工程上的物理解释性,难以保证其故障诊断结果的稳定性。以轴承为例,建立了以小波时频图像为故障诊断依据的卷积神经网络模型(convolutional neural network, CNN),提出了一种基于梯度加权类激活热力图(gradient-weighted class activation map, Grad-CAM)的网络模型鲁棒性分析方法,并利用美国凯斯西储大学(Case Western Reserve University, CWRU)轴承数据集进行验证。首先,将故障直径轴承数据以不同方式混合并训练大、小多个模型。其次,利用Grad-CAM方法,建立时频区域与故障模式之间的联系。最后,利用其他工况下的轴承故障数据,以及含噪数据进行测试,并根据结果结合模型最注重的时频区域进行分析。结果表明,基于深度学习的轴承故障诊断模型在参数较少时更加注重低频区域,并能使其具有更好的鲁棒性。     

祁连山土壤呼吸沿环境梯度变化规律的研究

“祁连山土壤呼吸沿环境梯度变化规律的研究”系甘肃祁连山水源涵养林研究院与中国林业科学研究院森林生态环境研究所合作研究的国家自然科学基金项目（30271071）。该研究旨在填补祁连山和内陆河地区土壤呼吸本底资料的空白,为正确评价祁连山土壤系统乃至陆地生态系统在全球变化中的地位和作用提供依据。     

采用归一化SG算法的自适应格型预测器

由于格型结构预测器所具有的优点,使它在许多自适应系统中得到了很好的应用。本文着重研究了采用归一化 SG 算法的自适应格型预测器。文中给出了归一化算法的推导,讨论了预测器系数的收敛特性以及格型预测器级数对预测器的影响。     

光在抛物型梯度折射率纤维中传播特性—几何光学研究

从非均匀介质的光线微分方程出发,导出光在抛物型梯度折射率纤维中的传播轨迹,进而分析了光在抛物型纤维中传播的变振幅和变周期特性,得到光线传播的变周期公式,并求出了几种抛物型纤维的周期长度。最后分析柱形、抛物型及锥形纤维的若干特点并作了比较。     

植物种群分布格局的动态变化规律

本文从植物种群个体分布格局在时空系列上动态变化规律的研究,探讨植物种群结构的演变特点。种群分布格局与种群数量动态密切相关,种群数量的消长造成了种群分布格局类型(typc),格局规模(scale)、格局强度(intensity)、格局纹理(grain)的相应变化。在时间,空间梯度系列上,随着环境旱化程度的加强。旱中、中旱生类型的种群或消失,或种群分布格局的规模逐浙缩小,格局强度加强,格局纹理变粗;早生类型的种群分布格局观模则有扩大的趋势,格局强度减弱,格局纹理变细,可见,环境因子的改变,特别是水分状况的改变,是种群分布格局变化的主要影响因素。     

MEC架构下基于DDPG的车联网任务卸载和资源分配

为了缓解车联网中个体车辆计算资源配置过低而导致的任务处理时延较大的问题,提出了一种移动边缘计算(mobile edge computing, MEC)架构下的动态任务卸载策略和资源分配方案。以最小化全网任务处理时延为目标,将车联网中的任务卸载和资源分配问题建模为马尔可夫决策过程(Markov decision process, MDP),并利用深度确定性策略梯度(deep deterministic policy gradient, DDPG)算法进行了问题求解。仿真结果表明,与执行者-评价者(actor-critic, AC)和深度Q网络(deep Q-network, DQN)这2种算法相比,DDPG算法以最快的算法收敛特性获得最小的全网任务处理时延。     

基于Adam算法BP神经网络的矿井环境瓦斯浓度预测模型

为了解决现有矿井环境瓦斯浓度预测方法无法处理大数据量、适应性差、误差较大、易陷入局部最优等问题,提出一种基于Adam算法的改进型BP（Back Propagation）神经网络模型,模型适用于矿井多环境参数下,对某区域内环境瓦斯浓度进行预测.对监测监控系统采集到的真实数据进行归一化处理并形成数据集,通过将Adam算法与BP网络模型进行有效结合形成新的网络模型.运用训练集对模型进行训练及调优后,迭代次数在1 200次后损失率趋于平稳,验证集预测的结果整体平均误差率为1.258%,结果表明:该优化模型提高了网络训练速度,且避免了传统BP模型容易陷入局部最小的缺点,同时降低了预测的相对误差.