适应于滤子的随机环境分枝过程个体数的平衡

给定一个带有一个适应于渐增滤子的随机环境分枝过程,利用条件期望的性质讨论了该随机环境分枝过程的灭绝概率,并给出了其个体数稳定平衡于两个已知数之间的条件。     

随机环境中强下临界分枝过程中的极限定理

通过对随机环境中伴有独立同分布的繁衍概率母函数序列分枝过程分析,求得过程在可积的假设下,其存活概率确切的渐近行为,而且证明了在Zn＞0的条件下,Zn有非退化的极限分布.     

考虑土性参数空间变异性对堤防安全性的影响

采用基于谱表示法的蒙特卡洛模拟,建立了不排水抗剪强度的随机场模型,并与二维平面应变模型结合探讨了考虑土体参数空间变异性对堤防安全性的影响.结果表明,堤防边坡的安全系数受土体参数(不排水抗剪强度)的空间变异性影响,若不考虑堤防土体参数空间变异性时,会高估堤防边坡的安全性.堤防滑动面位置与土体参数的空间分布有关,滑动面的位置具有不确定性,但滑动面往往会经过土体不排水抗剪强度较薄弱的区域,导致堤防的破坏.     

随机分布剑麻纤维对砂土力学特性的影响

随机分布纤维被广泛用于改良土体力学特性.然而,目前大部分研究主要关注纤维对松散砂土力学特能的影响,很少研究关注纤维加筋密实砂土的力学特性.本文基于三轴试验研究了剑麻纤维加固密实海洋砂土,定量分析了纤维含量、纤维长度、相对密实度、围压对其物理与力学特能的影响.研究表明,剑麻纤维加筋试件的抗剪强度明显高于纯砂试件;随着纤维含量以及纤维长度的增加抗剪切强度逐渐增加;砂土相对密实度的增加使得纤维加固砂土的抗剪能力逐渐增强;围压在一定范围内对改善纤维加筋砂土的力学特性具有一定程度的影响,超过临界正应力后加固效果减弱.     

基于短时心电信号的疲劳驾驶检测算法

心率变异性分析是最常用的一种基于心电信号的疲劳驾驶检测方法.然而,该方法需要被检测信号时间足够长,且准确率较低.因此提出一种基于短时心电信号的疲劳驾驶检测算法.首先,按照30s的时长截取短时心电信号序列,利用差分阈值法确定R波位置,根据R-R间期差值大小剔除不合格的噪声样本;然后,计算R-R间期序列的时域/频域特征并与利用ImageNet数据集预训练的深度卷积神经网络模型提取的特征相结合;最后,设计了一种随机森林分类器并基于这些特征进行分类.结果表明,该算法在疲劳驾驶检测上具有良好的分类效果,平均准确率达到91%.因此,相较于心率变异性分析方法,本算法检测所需心电信号更短,且在准确率上具备显著优势.     

基于增量式随机森林的燃气负荷预测方法

随着智能燃气网概念的普及和燃气智能表的发展,燃气负荷数据量呈指数级增长,燃气负荷预测面临新的挑战,传统的基于离线批量学习的数据预测方法已无法满足大数据量的实时数据预测需求。针对燃气负荷数据增量到达的预测场景,提出了一种增量式的随机森林回归(Incremental Random Forest Regression,IRFR)算法。该算法将一定量的样本存储在叶节点,通过衡量样本集变异系数来控制叶节点分裂;针对大数据量的情况,设计了样本丢弃策略来控制内存空间。在对上海市燃气负荷数据进行特征选择、提取并建模后,将IRFR算法应用于燃气负荷预测。实验结果表明,IRFR算法相比于传统的随机森林算法具有相当的准确率,同时所需训练时间较短,更适用于大数据量的增量学习场景。     

基于客户满意度的车辆路径问题的混合蝙蝠算法

车辆路径问题对现实有着良好的指导意义,自提出以来便吸引了企业界和学术界的广泛关注。然而,传统车辆路径问题仅仅将车辆行驶里程最短作为目标,忽视良好的客户体验对于企业的重要性。考虑客户满意度这一目标,建立以客户满意度和车辆行驶里程最短为目标的多目标优化模型,根据车辆路径问题的具体特征,改变基本蝙蝠算法的编码方式。为克服基本蝙蝠算法求解精度低、易陷入局部最优的缺陷,加入贪婪随机自适应启发式算法提高求解精度,引入病毒进化机制以增强蝙蝠算法跳出局部最优的能力。算例分析表明:病毒进化混合蝙蝠算法相比于基本蝙蝠算法,在求解精度上有较大幅度提高,是一种有效求解车辆路径问题的方法。     

针对短波3G-ALE信号的改进脉冲干扰性能研究

针对美军新一代短波3G-ALE信号为提高其协议信息传输可靠性而在通信链路层进行的多重数据编码,提出一种改进脉冲干扰方法。首先利用公开的伪随机扰码,建立对周期脉冲信号进行伪随机预加扰的干扰模型;之后推导信号接收处理公式,在此基础上分析脉冲占空比、脉冲周期等干扰参数,以及扰码失步、干扰频偏等因素对于干扰性能的影响;最后仿真干扰实验并得到相关结论。实验结果验证改进脉冲干扰对于3G-ALE信号协议信息可靠传输的干扰有效性,在设置脉冲占空比75%、脉冲周期使得脉冲持续时间等于整数倍符号长度TB时的干扰效果最佳;2TB以内的扰码失步、80 Hz以内的干扰频偏导致的干扰效果下降,则可以通过提高干信比较好地予以克服。