求解抛物型方程的一种有限差分并行格式

用改进的JGS迭代方法求解抛物型方程, 构造了一种新的并行计算格式, 并证明了新算法是绝对稳定的、 显式的, 截断误差达到O(τ+h²). 数值实验结果与理论分析相符.     

局部几何矩在图像处理中的应用

由几何矩引中出另一个概念——局部几何矩，根据其良好的性质，对它进行图像平滑、边缘检测和纹理分割方面的应用，均取得了较好的效果。     

关联色噪声对具有免疫监视下肿瘤细胞生长系统稳定性和瞬态性质的影响

基于具有催化作用的Michaelis-Menten反应模型,得到一种更全面的具有免疫监视下肿瘤细胞生长系统的一维朗之万方程.考虑肿瘤细胞增殖过程中生长环境等因素的变化而导致生长率和死亡率的波动,通过线性化近似和最快下降等方法计算系统的稳态概率分布函数和平均首次通过时间,并以此作为观察肿瘤细胞生长过程中的稳定性和瞬态性质的窗口,分析噪声对肿瘤细胞生长过程的影响.结果表明：1)当改变噪声强度D和Q时,肿瘤细胞数概率分布函数Pst(x)的结构会发生改变,系统产生多极值和单极值之间的结构转换,导致系统产生类相变;2)平均首次通过时间T＋(xu→x＋)是乘性噪声强度D的单调增函数,T－(xu→x－)却是D的单调减函数;3)T＋(xu→x＋)随加性噪声强度Q变化的图像出现一个类似“共振峰”的极大值,而T－(xu→x－)是关于Q的减函数;4)T＋(xu→x＋)随噪声间关联时间τ变化时,表现出单调递减和“共振峰”两种状态的转换,而T－(xu→x－)的图像随τ的变化呈现出单峰值样态;5)T＋(xu→x＋)随噪声间关联强度λ的变化出现类似于“共振峰”的极大值,T－(xu→x－)是λ的单调减函数.上述结果有助于人们掌握肿瘤细胞的生长动力学特性,不仅能够为临床上肿瘤细胞生长研究提供一定理论基础,而且还能为临床医学上肿瘤检测和治疗提供理论指导,对控制和治疗肿瘤疾病有一定的指导意义.     

Banach空间中一类φ-强增生算子方程的解及其迭代逼近问题

 在Banach空间中研究了一类 φ -强增生算子方程的解的存在性及其逼近问题,所得结果推广和改进了已有文献的相关结果.     

均匀风场中高层建筑平均风力的阻塞效应

以联邦航空咨询委员会协调人会议(CAARC)高层建筑标准模型为例,在同济大学TJ-2建筑风洞中进行了矩形单体高层建筑的阻塞效应试验研究.对阻塞度为4.1%、6.1%、8.4%、10.1%的建筑刚性模型在均匀风场中进行了测压试验.主要研究了阻塞效应对模型平均风力特性的影响.研究结果表明:在均匀来流中,建筑各层的平均阻力系数随着阻塞度的增加而增大,但阻力系数沿高度的分布规律没有显著变化;顺风向平均基底弯矩系数随着阻塞度的增大显著增大.最后,基于试验结果提出了平均阻力系数和顺风向平均基底弯矩系数的阻塞效应修正公式.     

基于自然柱状特征地图的智能车定位

针对室外环境中手工测量柱状自然特征建立环境的特征地图(简称柱图)工作量大、精度低的问题,提出了一种基于激光雷达的地图自动生成方法.在此基础上,采用基于柱图的定位方法,使用迭代最近点算法进行地图匹配,提高了定位精度.仿真数据和实际数据的实验结果表明,该方法具有精度高、速度快等特点.     

基于DEA 模型的部队编制方案评价

建立评价优选部队编制方案的DEA模型,该模型测算了各备选编制方案的总体效率、技术效率、规模效率等状况,对非DEA有效的编制方案提出了使其达到DEA有效的途径,给出了各备选编制方案的初排序.在此基础上,通过比较各有效备选编制方案平均横切效率的大小,得到所有备选编制方案的终排序.并就部队编制方案制定,提出了若干建议供决策部门参考.     

多维向量场特征参数的几何代数统一计算方法

以几何代数多维统一运算为基础, 探讨了多维向量场的多重向量表达与基本运算, 给出了向量场微分的模板卷积计算方法. 利用几何积对内外积的统一表达, 建立散度和旋度的统一计算方法并进行算法实现. 该方法不仅再现了向量场散度和旋度参数的几何关联性及其微分特性, 更实现了多维统一与坐标无关的计算. 基于北美风场的模拟实验显示, 该算法比基于梯度的间接求解算法具有更好的对比度与平滑性特征, 且具有较强的抗噪音能力, 从而可为向量场数据分析提供新的思路与方法基础.     

Latent ancestral graph of structure vector autoregressive models

A class of latent ancestral graph for modelling the dependence structure of structural vector autoregressive (VAR) model affected by latent variables is proposed.The graphs are mixed graphs with possibly two kind of edges,namely directed and bidirected edges.The vertex set denotes random variables at difforent times.In Gaussian case,the latent ancestral graph leads to a simple parameterization model.A modified iterative conditional fitting algorithm is presented to obtain maximum likelihood estimation of the parameters.Furthermore,a log-likelihood criterion is used to select the most appropriate models.Simulations are performed using illustrative examples and results are provided to demonstrate the validity of the methods.     

递阶稳态优化下非线性大工业过程的迭代学习控制

对递阶稳态优化下非线性大工业过程施行迭代学习控制 ,目的是进一步改善大工业过程的动态品质 .建立迭代学习控制的基本结构 ,提出迭代学习控制算法关于控制系统的ε-收敛性和期望目标轨线的δ -可达性的概念 ,对具有死区与滞后的饱和非线性大工业过程控制系统给出加权超前开环PD-型迭代学习算法 .利用 Bellman-Gronwall不等式和λ范数理论 ,论证了算法的收敛性 .数字仿真表明 ,迭代学习控制能有效改善递阶稳态下非线性大工业控制系统的动态品质 .