混凝土开裂的三维非线性数值模拟

作为一种准脆性材料,混凝土在发生开裂后将表现一定的应变软化特性。该文将Bazant提出的钝断裂带模型,扩展到考虑剪切软化情形,推导出全量算法的三维弥散软化本构关系,并对线性、双线性两种应力应变软化关系采用简化的割线模量折减系数,应用于混凝土开裂扩展的三维数值模拟。通过对比三点弯梁试验的数值模拟结果与试验结果,以及与二维增量关系模型的计算结果进行比较,验证了该模型能较好地模拟混凝土开裂行为。     

基于支持向量机的增量学习算法

通过对支持向量机KKT条件和样本间关系的研究,分析了新增样本加入训练集后支持向量的变化情况,提出一种改进的Upper Limiton Increment增量学习算法.该算法按照KKT条件将对应的样本分为3类:位于分类器间隔外,记为RIG;位于分类间隔上,记为MAR;位于分类间隔内,记为ERR.并在每次训练后保存ERR集,将其与下一个增量样本合并进行下一次训练.实验证明了该算法的可行性和有效性.     

势能增量驻值原理与切线刚度矩阵的解构规则

基于有限位移理论应变能密度函数的定义, 利用Kirchhoff应力张量和Green应变张量, 推出了非线性分析中增量形式的势能驻值公式, 并证明了由势能增量驻值原理得到的增量平衡方程形式与由虚位移原理所得的结果完全一致. 然后, 根据势能增量驻值原理并利用泛函驻值条件, 得到了有限位移分析中T.L格式和U.L格式的切线刚度矩阵的解构规则. 利用该解构规则形成切线刚度矩阵的方法简单、直观, 通过平面梁元例题验证了可利用该方法求得任何单元或结构的切线刚度矩阵.     

基于簇特征的文本增量聚类研究

提出了一种基于簇特征的文本增量聚类算法:充分利用简单、有效的k-means算法来进行初始聚类,并保留聚类后每个簇的簇中心、均值、方差、文档数、3阶中心矩和4阶中心矩作为该簇的簇特征,当出现新增数据时,利用初始簇的簇特征对新增数据进行聚类.在20newsgroups数据集上的实验结果表明:相比于对整个数据集进行重新聚类,该算法具有一定的优势.     

钢桥自适应分析

自适应分析是钢桥塑性分析理论的一个新方向,它以重复载荷作用下结构的自适应现象为基础,挖掘结构的承载潜力.本文以连续钢梁桥为对象,分析了重复载荷作用下结构的特殊行为,以一个两跨连续梁为例,用增量分析法计算了结构的自适应极限载荷.分析表明:结构自适应的必要条件是卸载过程中不出现弯矩重分配;增量分析法原理清晰,适于编程.     

一种基于关联挖掘的缺省规则更新算法

为了解决缺省关联规则的增量挖掘问题,在算法DRMBAR的基础上,结合粗糙集理论及频繁模式树结构,提出了一种基于关联规则的缺省规则更新算法IADRBAR,该算法主要考虑最小支持度发生变化时缺省规则的更新问题,即在新的最小支持度下,如何高效地生成新的关联规则. IADRBAR在最坏的情况下仅须扫描决策表一遍,并利用上一次已经挖掘出的频繁项目集及关联规则,有效地提高缺省规则的更新效率.理论分析和实验结果表明算法是有效可行的.     

降低时隙开销的增量式协作频谱感知

为降低时隙开销,提出一种增量式协作感知算法.在时隙1,若非授权用户获得的能量检测值大于上门限则全局判定授权用户存在,若小于检测门限则全局判定授权用户不存在;否则,进一步在时隙2与协作用户采用"与"融合规则协作感知.在满足目标虚警概率与检测概率的前提下,以最小化时隙开销为目标函数优化门限.模拟结果表明,与传统算法相比,当目标虚警概率与检测概率设为10%与90%且信噪比为10 dB时,增量算法时隙开销可降低90%左右而感知性能仅降低3%左右.     

自适应迭代算法支持向量集的特性研究

针对在支持向量机研究中,传统的优化方法无法处理规模不断扩大的分类问题,为设计适应大样本分类的训练算法,提出了基于块的自适应迭代算法。在该算法的训练过程中,块增量学习和逆学习交替进行,能够自动得到一个小的支持向量集。将该算法与SVML ight在支持向量数量方面进行了比较,计算了UC I(Un i-versity of Californ ia-Irvine)中的6个数据集和著名的Checkboard问题。结果表明:该自适应迭代算法确定的支持向量数一般不到SVML ight所得到的支持向量数的一半,其中70%多的支持向量被SVML ight所确定的支持向量集所包含,在支持向量选择方面具有高效性。     

一种增量式文本软聚类算法

针对传统文本聚类算法时间复杂度较高，而与距离无关的算法又不适用于动态、变化的文本集等问题，提出了一种基于语义序列的增量式文本软聚类算法．该算法考虑了长文本的多主题特性，并利用语义序列相似关系计算相似语义序列集合的覆盖度，同时将每次选择的具有最小熵重叠值的候选类作为一个结果聚类，这样在整个聚类的过程中大大减小了文本向量空间的维数，缩短了计算时间．由于所提算法的语义序列只与文本自身相关，所以它适用于增量式聚类．实验结果表明，算法的聚类精度高于同条件下的其他聚类算法，尤其适合于长文本集的软聚类．     

基于改进InDBSCAN算法的批量钻削工序质量增量聚类分析

针对批量钻削工序质量检测问题,采用声发射传感器采集工序加工过程中的声发射信号,提取其时域统计特征,构造工序过程信号的特征向量,根据密度带噪声的空间增量聚类算法(InDBSCAN)对工序过程中的声发射信号特征向量进行增量聚类,以分析批量工序质量.考虑到插入数据点在促成新类创建的同时可能引起已存在的不同类合并的情况,改进InDBSCAN算法.实验结果表明:改进的InDBSCAN算法使插入数据点的增量聚类更加合理,工序质量分布状况检测准确率达84.03％.