弹塑性有限元分析的一种修正方法

针对目前弹塑性有限元分析方法中存在的等效应力偏离屈服面的应力漂移问题． 提出了一个修正方法．简述了采用通常的方法产生应力漂移现象的原因（误差累 计的结果），提出了一个消除累计误差的方法，在不增加计算量及复杂性的情况 下，较好地解决了这一问题。用该方法编制了相应的程序．计算了一些算例，并且与 通常的方法的计算结果进行了比较。理论分析和数值结果都充分说明了本方法的有效性。     

变帧率技术在语音识别中的应用

变帧率（ＶＦＲ）分析技术可以在语音识别时，用以丢弃那些特征非常相似的语音帧．文中分析了已有ＶＦＲ方法的不足，并提出了一种新的ＶＦＲ方法．这种新方法能够更加突出语音信号中发音变化区域．计算机模拟实验显示，经该方法预处理后的语音送入隐马尔柯夫模型的语音识别系统比传统算法有更高的识别率．     

AN ANALYSIS OF THE HIDDEN MONEY MARKET IN THE PEARL RIVER DELTA AREA

珠江三角洲经济区是改革开放１７年来经济发展最快持续时间最长的经济发展区．高速发展的经济需要大量的资金，有别于正常的融资渠道，在珠江三角洲已经形成了相对大型的隐性资金市场．这个隐性资金市场为珠江三角洲的经济发展提供了重要的资金“血液”．本文讨论的隐性资金市场是指不受国家信贷规模控制，不在统计数字中反映的，但却是以追求实际的高利率为目标的资金市场．通过我们对该隐性资金市场存在机理、运作方式、以及该市场规模的估算，作者认为，珠江三角洲的隐性资金市场规模大约为１６００～１８００亿元人民币     

初中生形成几何技能的心理分析

根据教育心理学原理,从平面几何学科本身出发,提出了四种基本几何技能,并分别系统地探讨了它们各自的形成规律和训练措施,为提高平面几何教学质量创造了条件。     

“重心”“形心”考

“重心”和“形心”是两个科学术语。它们的出现比较早,前者出现于1623年的《职方外纪》,后者出现于1627年的《奇器图说》。两个词都来自拉丁语,分别是centrum gravitatis和centro figure(或geometrica centrum)的仿译。“重心”后来还传到了日本。但“形心”一词,在《奇器图说》之后的300多年时间里,一直没有人使用。后来在1935年的一本数学名词汇编中再次出现,但它是《奇器图说》中的那个词的沿用,还是后来另行创造的,现在还不能确定。     

基于评论分析的评分预测与推荐

推荐系统广泛地应用在网络平台中,推荐模型需要预测用户的喜好,帮助用户找到适合的电影、书籍、音乐等商品.通过对用户评分和评论信息的分析,可以发现用户关注的商品特征,并根据商品的特征,推测用户对该商品的喜好程度.本文提出将评论中隐含的语义内容与评分相结合,设计并实现了一种新颖的商品推荐模型.首先利用主题模型挖掘评论文本中隐含的主题分布,用主题分布刻画用户偏好和商品画像,在逻辑回归模型上训练主题与打分的关系,最终评分可以被视为是对用户偏好和商品画像的相似程度的量化表示.最后,本文在真实数据上进行了大量对比实验,结果证明该模型比对比系统性能优越且稳定.     

基于Baum-Welch算法HMM模型的孤词算法研究

介绍了隐Markov模型原理,它是用来描述含有未知参数的Markov过程,是描述随机过程统计特性的概率模型。在此基础上,设计了基于HMM模型的孤词检测实验,通过优化实验模型,采用Baum-Welch算法解决HMM模型的训练问题,找到HMM模型估计参数λ值,这在数学角度上等价于其他线性预测系数。此实验在减少不必要的HMM训练的同时,降低了算法复杂程度。为了测试Baum-Welch算法的有效性,进行了数据仿真实验,结果表明该算法是有效的。     

超长煤巷监测数据背景CO筛查及自燃预判研究

为了解决超长双煤巷自燃发热的早期预报问题,在自燃标志气体分析法失效的情况下,运用井下监测系统大数据的CO趋势分析法。为了筛除井下柴油机动车尾气产生CO的波动干扰,创新提出能够仅反映煤相对缓慢氧化的背景CO体积分数的概念;对矿井某一独立通风的考察区域,在某一足够长的时间段内,总能找到所有柴油车都不工作的极端时刻（或不受尾气干扰的情况）,且CO体积分数值被监测系统记录到,从而建立了背景CO体积分数的筛查方法;经时间单元周期为0.125 d和0.5 d时的筛查结果对比,随着考察时间单元的取大,CO体积分数曲线越来越低,波动减小,背景CO体积分数曲线越来越清晰,证明其客观存在性。以最短自然发火期的一部分为考查期,依据背景CO体积分数的趋势走势来预判煤柱自然发火,结合红庆梁煤矿经验,得到CO趋势递增率k^*₁=0.607×10^-6 d^-1,以此作为自燃危险预判的临界指标,将自燃危险预警分三级,即当k₁ ≥k^*₁,一级预警,启动重点巡查,将超长距离...     

Forecasting Ability of a Periodic Component Extracted from Large‐Cap Index Time Series

We develop a method to extract periodic variations in a time series that are hidden in large non‐periodic and stochastic variations. This method relies on folding the time series many times and allows direct visualization of a hidden periodic component without resorting to any fitting procedure. Applying this method to several large‐cap stock time series in Europe, Japan and the USA yields a component with periodicity of 1 year. Out‐of‐sample tests on these large‐cap time series indicate that this periodic component is able to forecast long‐term (decade) behavior for large‐cap time series. Copyright © 2016 John Wiley & Sons, Ltd.