岩体不连续面的几何特性与剪切强度的关系

利用新开发设计的三维非接触式激光表面形状测定仪,在精确测定岩体不连续面的表面形状的基础上,建立了新的岩体不连续面的分形几何模型,模型中的两个分形参数定量表述了岩体不连续表面形状的几何特性（一级倾斜度和高级次起伏度）,并进一步提出了由这两个分形参数组合出的代表岩体不连续面表面粗糙特性的平均粗糙角Ｕ的概念和计算方法。最后,结合岩体不连续的剪切强度实验,建立了剪切强度与分形参数有及平均粗糙角Ｕ间的定量关     

网络可靠性的模糊随机分析

以图论为基础对网络的可靠性进行了既考虑随机性又考虑模糊性的模糊随机分析 ,运用蒙特卡罗随机模拟方法产生表征网络链路连通性的模糊关联矩阵 ,并以模糊关联矩阵的传递闭包方法分析了网络的可靠性 .     

一种用于高速高精度DAC的数字校准方法

提出了一种适用于14bit 200MHz数模转换器的数字校准电路模块.在非校准状态,该模块仅仅将输入数据进行相应的编码转换,在校准状态时,该模块不仅对输入信号流进行编码转换,还提供额外的校准控制信号,用来控制DAC中模拟电路进行校准.该模块采用SMIC CMOS 0.18μm 1P6M工艺,电源电压为1.8V.最终芯片测试结果表明,在200MHz工作频率下,该模块能够将数模转换器的SFDR最大提高27dB.     

基于改进随机森林的企业破产预测研究

企业破产数据中存在高维不平衡的特性,会导致模型预测性能降低且预测结果偏向于多数类.为了提高具有破产风险企业的预测准确率,将从特征、数据、模型3个方面综合考虑.首先提出一种Pearson相关系数特征提取规则进行特征选择,再使用已有的平衡化技术进行数据平衡化处理,最后提出了一种基于改变分类阈值的随机森林算法构建企业破产预测模型.在包含10173个公司数据集上的实验结果表明,本文的研究方法具有一定的优越性,对后续进行企业破产预测研究也具有较高的参考价值.     

Matlab接口技术及仿真随机数的生成

对Matlab中的随机数发生器进行了归类和分析,并与一般高级语言的随机数发生器进行了比较,认为相比于一般高级偏程语言,Matlab随机数发生器具有种类丰富、稳定性和可靠性好的特点。在分析Matlab应用程序接口的基础上,给出了应用VB和VC调用Matlab随机数发生器产生随机数序列的方法,有效避免了利用一般高级编程语言构造随机数发生器的复杂性。     

二硫键寡核苷酸Microarray用于丙型肝炎病毒检测及HCV1b分型的研究

利用二硫键法制作寡核苷酸DNA Microarray,并将该技术应用到HCV检测中,建立了一种快速、灵敏、安全的寡核苷酸DNA Microarray丙肝病毒检测体系。该体系还可同时对占中国丙肝病毒75％左右的HCV1b亚型进行分型。另外,在丙肝病毒基因组RNA反转录的过程中采用随机引物,从而为进一步的多种肝炎病毒的寡核苷酸DNA Microarray混合检测奠定了基础。     

多变量非高斯脉动风压模拟的非迭代法

基于多变量非高斯随机过程间的相关性,将发展的单变量非高斯过程的非迭代算法扩展至多变量非高斯过程的模拟.通过多变量高斯过程的相干函数来考虑多变量非高斯过程的互相关性,建立多变量非高斯过程的非迭代模拟算法.多变量非高斯风压的数值模拟表明:非迭代模拟算法能有效地模拟低、中、高斜度的多变量非高斯过程.     

二维混凝土随机骨料模型研究

为研究二维混凝土随机骨料的投放算法、为混凝土宏观强度分析研究提供依据,将混凝土考虑为由粗骨料和水泥砂浆胶体构成的复合材料,确定了以面积为标度的骨料侵入判断准则和凸多边形骨料生成方式,在此基础上形成二维混凝土随机骨料投放算法。同其他方法相比,建立的"凸型"骨料随机投放算法简单,更易于推广到三维空间。最后给出了骨料随机投放的二维数值混凝土模型和一个简单的混凝土不均质特性分析实例,以说明该文算法的有效性。     

栓皮栎植冠的构型分析

对栓皮栎（Ｑｕｅｒｃｕｓ　ｖａｒｉａｌｉｌｉｓ ＢＬ．）个体发育中不同阶段的植冠构型进行统计分析,结果发现：构型转变主 要表现在分枝格局上,除枝倾角保持稳定外,分枝率、枝间距和叶倾角都发生过显著改变。不同阶段构型 分析的比较表明：１）幼苗阶段,高生长不明显,分枝率低,枝间距较小;２）幼树阶段,高生长和冠幅扩展迅 速,分枝率和叶倾角都较大,枝倾角无明显变化;３）成树阶段,冠幅扩展明显放慢,高生长减缓,分枝率、叶 倾角明显低于幼树阶段,枝倾角仍无明显变化。     

基于改进随机抽样一致的点云分割算法

随着三维点云数据模型在三维建模、测绘、智能城市以及机器视觉等领域的应用,点云数据处理也成为一个研究热点。点云分割就是将三维空间中点云通过一系列算法,将散乱的点云数据划分成更为连贯的子集的过程,可以为后续的数据分析提供数据基础。针对随机抽样一致算法(random sample consensus, RANSAC)对杂乱、无规则点云数据分割效果不佳的问题,提出一种改进的RANSAC点云分割算法。该算法通过构建Kd(K-dimensional)树,利用半径空间密度重新定义初始点的选取方式,进行多次迭代来剔除无特征点,在实现点云分割的同时可以有效去除噪声点;此外,该算法重新设定判断准则,优化面片合并,可以实现点云的精确分割。实验通过对散乱点云数据进行分割,结果表明该改进RANSAC算法的点云特征提取数据量较大,面片分割的准确性较高,是一种有效的点云分割算法。