数字信号二进小波变换的滤波器与边界失真

讨论了由小波变换精确重建原信号的充要条件以及滤波器系数的不精确对重建信号的影响。采用Ｄａｕｂｅｃｈｉｅｓ紧支集规范正交小波基，推导了二进小波变换滤波器不满足边界对称条件时能精确重建原信号的范围，也讨论了边界误差及其消除的方法，实验结果证实了所得的结论。     

试论混沌和急动度之关系

三维相空间是混沌和急动度之间的重要联系纽带.猝变动力学为人们提供了一种新的思维方式.急动度是研究混沌流的有效工具.     

家园重建与乡土纽带

结合自己从事人类学研究的经历和研究案例,讨论了人类学在中国研究方面的范式和使命,并就新农村建设提出了一些设想。     

一种改进的相空间近邻等距模式及其在短期气候预测中的试验

现有研究表明,气候要素系统可能存在混沌现象.通过应用混沌理论中的重建相空间技术,可在相空间中揭示出传统方法无法揭示的复杂气候动力特征,为气候预测研究开创一条新途径.现有相空间理论的研究多着重于对混沌系统的识别和应用混沌相空间理论建立不同的模式进行提前预测,这些预测多为对月时间尺度的;对于如何提高预报准确率和延长预报时效,从而实现对多个月份、季、年等更长时间尺度提前预报的研究还不多见.基于混沌理论的相空间近邻等距模式,对该理论中的提前预报时间T、延迟时间τ和相空间维数d等进行讨论.提出,实际应用中根据提前预报时间T来建立新的时间序列,满足T=τ=sδt,消除了相空间时滞τ的变化对提前预报时间尺度T的影响.应用改进前、后的预报模式,以不同相空间维数d对气温和降水气候要素做提前T=1~15个月的预报试验和检验.结果发现,改进后的模式提高了预报准确率,延长了预报时效.     

电容层析成像算法

电容层析成像技术具有非侵入,响应快,低成本,测量范围宽及易于安装等特点,在多相流在线检测中具有良好的发展前景.电容成像中图像的重建算法与技术,是其在工业实际中得以应用的关键.近年来在图像重建方面的研究取得了较大的进展,Tikhonov正则法,Landweber迭代法、同步跌代法、神经网络法、共轭梯度法及通用迭代法的图像重建质量较LBP法有了明显提高.     

相空间重构中嵌入维和时间延迟的选择

提出了一种用于相空间重构的嵌入维和时间延迟自动算法，它利用混沌时间序列的去偏复自相关函数的零点来确定时间延迟，有效地降低了平均位移法跟踪平均位移量斜率变化的随意性所造成的计算误差，并借助于复自相关法和Г-test的迭代计算求得准最佳的嵌入维和时间延迟参数．该算法具有较充分的理论依据，其计算复杂度不大，对数据长度的依赖性不强．仿真实验结果表明，用该算法计算标准混沌时间序列关联维的相对误差由传统算法的4．4％降低到1．06％，有效地提高了计算相空间重构中不变量的精度．     

面向网格简化的STL拓扑信息快速重建算法

以STL模型为研究对象，针对网格简化要求的显式、完整拓扑关系，提出了一种快速构建拓扑信息的新算法．在优化选取拓扑信息构建顺序的基础上，一方面针对各种几何元素的特点选取有效的数据结构，在数据组织层次上保证顶点归并的效率和几何元素的检索效率；另一方面，充分利用顶点与其邻接点和邻接面的关系，将边归并的比较范围控制在顶点的邻域，并在全局遍历时选择数据规模最小的顶点．算法具备优良的时间效率性，提高了网格简化预处理的效率．     

电容成像图像重建算法原理及评价

对现有的电容成像图像重建算法进行了综述并介绍了其原理,其中包括线性反投影法(LBP)、基于奇异值分解(SVD)的直接算法、Tikhonov正则化方法、Newton-Raphson算法、最速下降法、Landweber迭代算法、代数重建技术(ART)、同步迭代重建技术(SIRT)和基于模型的重建算法。在此基础上使用仿真和实验数据对目前主要使用的线性反投影法、基于奇异值分解的直接方法、Tikhonov正则化方法、Tikhonov迭代、投影Landweber迭代等进行了评价。对它们从电容值误差、图像误差、相关系数和耗用时间几个角度进行了比较,并对今后电容成像图像重建算法的发展方向提出了一些看法。     

三维测量系统中线性CCD相机的直接线性变换

多组线性电荷耦合器件 (CCD)相机的直接线性变换 (DL T)中的每组 7个系数用于惟一确定对应相机的 8个内外方位元素对三维坐标解算有重要意义。分析了多组一维成像单元的标志点三维坐标重建原理。每个成像单元实际上只有 7个可用的内外方位元素 ,且与 DL T方程中系数的数目相符合 ,消除了可能由于系数和相机物理参数个数不等引入的重建误差。在自行研制的系统上进行了静态标志点的测试。结果表明 :在 70 0 m m× 76 0 mm× 5 0 0 mm的测量范围内 ,X、Y、Z坐标误差值都小于 1mm。     

利用支撑向量机预报大气污染物浓度

针对污染物浓度序列具有强非线性和显著长程相关性的特点,结合相空间重构和支撑向量机(SVM)构建了一个多步预报的递归模型.对理想混沌序列和多种污染物浓度资料的实验结果表明,模型预报的准确率和效率均显著优于人工神经网络.这种通用建模方法的优势在于对系统非线性机制的反馈十分清晰,充分发挥了SVM适用于小样本问题、映射能力强、全局最优等特点,对非线性时间序列预报适用的其他领域同样具有启发意义.