自适应的over-relaxed快速动态均值漂移算法

为了解决高斯核均值漂移算法收敛速度慢、计算效率不高的问题,提出自适应over-relaxed快速动态更新方法改进高斯核均值漂移算法。首先,在静态均值漂移算法中引入数据集的动态更新机制,每次迭代后将数据集更新到新的数据点,然后,将迭代过程中聚集在一起的数据点用1个收敛点表示,逐步减少参与计算的数据,保证准确性的同时降低计算量。由于非正态分布的数据集动态更新时,主方向上的数据点的收敛速度较慢,采用over-relaxed的策略来提高主方向数据点的迭代步长,并根据数据集直径的变化,自适应地计算步长参数。实验结果表明,改进后的高斯核均值漂移算法以超线性的速度收敛,收敛点的应用降低了收敛过程中的计算量。     

电机双开梨形槽气隙磁场的次纯函数解

本文应用复变函数保角映射理论把电机双开梨形槽气隙磁场映射为均匀磁场,把磁感强度用次纯函数来精确表示。通过它对电机双开梨形槽气隙磁场的分布进行定量分析。     

基于密度聚类的模糊神经网络和CHP分解过程建模

针对基于样本数据的复杂系统建模问题,提出了基于密度聚类的模糊神经网络(DFNN)的建模方法,研究了利用密度聚类原理提取数据样本的内在规则的理论和方法,提取的规则能较好地反映样本数据输入输出的对应联系,根据提取的规则给出了模糊神经网络的模型结构.本文以化工生产过程过氧化氢异丙苯(CHP)分解反应过程为对象进行仿真建模,结果显示在模型精度和可靠性上均优于基于c均值聚类提取规则的模糊神经网络模型(CFNN).     

BmN2(m=2-9)团簇的结构特征与稳定性

采用密度泛函理论(DFT)的B3LYP方法,在6-311G*水平上对BmN2(m=2-9)团簇的几何构型和电子结构进行了结构优化和振动频率计算.结果表明,BmN2团簇基态结构m≤3时为N原子插入B-B键中形成的线状结构;m>3时为N原子插入Bm环中或Bm环上B-B键边桥配位形成的环状结构.通过对基态结构的能量分析,得到了BmN2(m=2-9)团簇的稳定性信息.     

融合深度特征和FHOG特征的尺度自适应相关滤波跟踪算法

为了解决核相关滤波跟踪算法在复杂场景下跟踪效果差的问题,提出了一种融合深度特征和尺度自适应的相关滤波目标跟踪算法。首先,通过深度残差网络（ResNet）提取图像中被跟踪区域的深度特征,再提取目标区域方向梯度直方图（FHOG）特征,通过核相关滤波器学习,分别得到多个响应图,并对响应图进行加权融合,得到跟踪目标位置。其次,通过方向梯度直方图（FHOG）特征,训练一个PCA降维的尺度滤波器,实现对目标尺度的估计,使算法对目标尺度发生变化有很好的自适应能力。最后,根据响应图的峰值波动情况改进模型更新策略,引入重新检测机制,降低模型发生漂移概率,提高算法抗遮挡能力,在标准数据集OTB100中与其他7种目标跟踪算法进行比较。结果表明,相比原始KCF算法,改进后的KCF算法精准度提升了29.4%,成功率提升了25.9%。所提算法实现了对跟踪目标位置的精准估计,提高了尺度自适应能力和算法速度,增强了算法抗遮挡能力。[JP]     

南京地区粉土的不排水三轴压缩试验

通过全自动三轴仪进行了南京地区粉土的三轴不排水的试验,研究了围压和干密度对应力-应变曲线、孔隙水压力曲线和有效主应力比曲线的影响.试验表明:高围压状态下粉土试样呈现出弱应变软化型,而低围压状态下呈现出应变稳定型;低围压下试样在加载初期产生正孔隙水压力,随后产生负孔隙水压力,其后基本保持稳定;干密度越大,主应力差峰值越大,表现出较大的剪胀性,孔隙水压力易出现负孔隙水压力;干密度值较高时,土样处于密实状态,表现出剪胀特性,有效主应力比-应变曲线近于应变软化型;围压较低、干密度较大时,试样易表现出软化特征,试样出现剪切带破坏,强度明显下降.     

恒加应力加速寿命试验的可靠性非参数统计分析

提出的可靠性非参数统计分析法 ,充分利用恒加应力加速寿命试验的失效个数、失效时间及未失效个数 3种宝贵的数据信息 .克服传统分析法只利用失效个数和失效时间信息的缺陷 ,更合理地对产品的可靠性加以评定 .主要内容 :(1) Pk 的估计公式 ;(2 ) Pk相似文献   

动态黑洞视界面附近熵密度的讨论

利用带有电荷与磁荷的直线加速动态黑洞的熵密度，得到了任一时刻黑洞视界面附近沿某一方位角的熵密度总是正比于该处视界温度的三次方的结论。发现直线加速动态黑洞视界面附近的熵密度不仅与时间有关，而且与方位角有关。     

KPCA-LSSVM方法在视频时间序列预测中应用

为提高时间序列预测精度及降低预测过程中的计算复杂度,提出一种基于核主成分分析(KPCA)与最小二乘支持向量机(LSSVM)相结合的预测方法.首先,将输入数据通过核方法映射至高维特征空间;然后,在特征空间上提取有效非线性主元;最终,通过LSSVM建立时间序列模型.为验证KPCA-LSSVM方法的有效性,将其应用于交通流及视频流预测中,在同等条件下,与单一的LSSVM及神经网络等预测方法进行比较.实验结果表明:基于KPCA-LSSVM建立的模型具有较好的推广性及较高的辨识精度.     

基于增量稀疏核极限学习机的发动机状态在线预测

针对发动机状态在线预测中样本累积、预测模型膨胀和在线更新速度慢等问题,提出了基于增量稀疏核极限学习机的在线预测方法.该方法定义了KELM核函数矩阵的稀疏测量矩阵,并根据矩阵原子相干最小化和自信息量最大化的样本信息度量准则实现在线样本前向稀疏与后向删减,提高了样本稀疏化效率.利用有效样本对测量矩阵在最佳阶数内进行在线扩充与修剪,限制了预测模型膨胀.利用改进的增量建模方法对模型的核权重矩阵进行递推更新,从而建立规模有限且结构稀疏的在线预测模型,提高了在线建模速度.仿真数据和发动机状态参数在线预测实验结果表明,与现有在线预测方法相比,ISKELM具有更高的样本稀疏化和在线建模效率.对发动机排气温度进行120步预测时,预测速度分别提高了80.50%和31.72%,预测精度分别提高了48.56%和15.81%.