水合物沉积物试验岩样制备及力学性质研究

水合物沉积物现场取心及原位力学试验技术难度大、成本高,室内制备岩样是目前对其力学性质研究的主要手段。采用三轴压力室内直接合成和混合制样两种方法,分别以覆膜砂和膨润土为基质试验制备水合物沉积物岩样,并进行三轴压缩力学试验。结果表明:尽管沉积物中水合物对基质骨架颗粒存在一定胶结作用,但水合物沉积物的力学性质仍主要由基质的性质决定,覆膜砂基质水合物沉积物的力学性质明显好于膨润土沉积物;水合物沉积物的强度及弹性模量随着围压的增加而增加,但泊松比与围压无明显相关性。     

基于Harris—Laplace特征点的多时相SPOT图像配准方法

提出一种改进的多时相SPOT图像配准方法。首先通过分块提取H—L特征点,确保特征点分布均匀：然后对H—L特征点进行匹配,通过RANSAC一致性检验构建配准模型;最后利用图像重采样得到图像配准结果。实验结果表明,该方法能够有效地解决不同时相SPOT图像在几何变形、地物改变等情况下的配准,具有较高的自动化程度与实用性。     

简支梁桥在车辆荷载作用下的振动响应影响因素分析

本文以已有的车桥振动基本理论为基础,运用有限元软件ANSYS分析了简支梁桥在车辆荷载作用下的振动响应（竖向位移）,对比得出了桥面平整度、车速、车型和车辆载重等因素对桥梁结构稳定性的影响作用。     

回归分析法在样本长度误差分析中的应用

在回归分析研究的基础上,采用最大似然法来确定回归方程的系数,并对线性假设进行显著性检验,最后对拟合效果进行量的分析,并给出样本长度在不同参数控制依据下的相对统计误差.     

跳跃扩散模型下美式回望期权定价方法

回望期权是一种严重路径依赖性期权,美式回望期权的价格尤其依赖于标的资产的价格路径;实际市场中其标的资产的价格过程存在跳跃现象。考虑到这两个事实,本文应用一种新方法总体最小二乘蒙特卡罗模拟为跳跃扩散模型下的美式回望期权定价。该方法改进Longstaff等提出的最小二乘蒙特卡罗方法,用来为美式回望期权定价,将其定价结果与构造二叉树图的计算结果进行比较发现,用总体最小二乘蒙特卡罗方法为美式回望期权定价是合理的,并且具有一定的优越性。     

生物小样品在过冷液氮中的动态传热问题

分析了小样品在过冷液氮中快速冷却的特点,分别采用经典的抛物型热传导方程、C-V模型和DPL模型来描述其传热过程,采用有限差分法对生物小样品在过冷液氮中的动态传热过程进行了数值求解。结果表明,非傅立叶模型较傅立叶模型有一定的时间延迟,但DPL模型与C-V模型差别不大,样品在冷却过程中,温度在70 ms时降至-200℃以下,提高弹射初始速度和增加液氮过冷度有利于提高冷却速率。     

基于支持向量机的不平衡样本分类研究

分类问题是机器学习领域的重要研究方向之一。支持向量机是一种基于结构风险最小化的学习机器,在解决分类问题上有着出色的效果。但基于支持向量机的分类器在处理不平衡样本时,对少类样本分类准确率偏低。诸多研究在对此问题做分析时往往把主要原因归结为各类样本间数量上的不平衡,而没有充分考虑样本点在特征空间上的分布情况。针对此问题做出原因分析,并给出结论:样本的不平衡性主要是由特征空间下各类样本的分布所决定的,而和数量上的不平衡关系较小。通过实验验证结论的科学有效性。     

基于样本扩展和线性子空间特征提取的单样本人脸识别

针对单训练样本情况下的人脸识别问题,提出一种虚拟样本扩展方法. 利用光照模板映射将单一样本扩展为一组虚拟样本,从而增强单训练样本的分类信息. 采用主成分分析（principal component analysis, PCA）对扩展的虚拟样本进行降维,并用Fisher 鉴别变换作二次特征抽取,然后用最近邻分类器识别人脸图像. 所提方法在人脸图像库Yale B 和Extended Yale B 上进行试验,用PCA+LDA 方法把扩展图像作为训练集对测试图像进行特征提取和识别. 相对于以单样本图像为训练集的PCA 特征提取,该方法显著提高了识别率.     

海明距离判别法分类准确率的影响因素

为探讨海明距离判别法(HDD)的非参数优势,通过一个5因素混合实验,考察了4个因素(属性层级、测验长度、样本容量、知识状态分布)对HDD的3种判别方法(R方法、B方法、W方法)分类准确率的影响.结果表明:1)属性层级和测验长度均会影响HDD判准率,属性层级越紧密、测验长度越长,HDD判准率越高; 2)HDD对样本容量无依赖,可适于小样本评估; 3)HDD的R方法、B方法、W方法的分类准确率无差异; 4)HDD无需被试知识状态分布的正态性假设,更适于均匀分布.     

结合时间序列分解和神经网络的河流溶解氧预测

为克服小流域数据资料少,河流溶解氧的非平稳特性及动态变化造成的预测困难,提出结合具有自适应噪声的完整集成经验模态分解(CEEMDAN)和Elman动态神经网络的预测方法.使用CEEMDAN方法对原始溶解氧时序数据进行平稳化处理及降噪,提取溶解氧随时间变化的波动特征、周期特征,以及长期趋势,通过计算样本熵(SE)值,将相似的特征序列合并,以减小误差累积,对合并后的新序列分别采用布谷鸟搜索(CS)算法优化的Elman模型进行预测,将各预测值叠加,得到最终预测结果.实验结果表明:CEEMDAN-SE-CS-Elman方法平均绝对误差(E_MA)为0.14;平均绝对百分误差(E_MPA)为2.07%;均方根误差(E_RMS)为0.24;可决系数(R²)达到0.951 6,精度较其他时间序列预测模型有所提高.