多市场非均衡模型的模拟建模方法

将模拟方法引入到无样本分割信息的多市场非均衡计量经济模型中,建立起多市场非均衡模型的GHK模拟极大似然法,并通过仿真实验说明了该模拟方法的有效性。     

基于MCMC方法的虚拟试验贝叶斯校准研究

虚拟试验利用计算模型研究复杂物理过程,并预测其性能.计算模型输入参数中通常包含部分固定但未知参数,可利用计算模型结果和少量有限的试验数据校准未知参数,并研究存在建模不确定性时虚拟试验的预测问题.提出了一种贝叶斯统计方法,采用高斯过程为仿真计算模型以及模型不确定性建模,利用Markov chain蒙特卡罗抽样方法计算校准参数和仿真模型预测后验分布.设计测试算例演示所提出方法的高效性.     

基于动态贝叶斯网的时变样本空间无监督学习

提出了针对概率分布参数时变的样本空间的参数估计问题,由于一般的聚类和EM算法等参数估计方法是针对概率分布时不变的样本空间的问题所采用的。因此,对于概率分布时变的样本空间而言,这些方法均不能有效、准确地估计实时变化的样本参数。通过构建动态贝叶斯网,利用先验和后验的知识进行预测和滤波,结合贝叶斯增量式学习方法并充分利用了其学习所获得的样本空间概率模型变化演进的规律,这样可以较准确、平滑地学习实时概率模型及其分布参数。     

基于伍德沃德-劳森抽样方法的阵列平顶波束综合

为获得高增益和强方向性,阵列天线应运而生,波束赋形技术在降低阵列副瓣电平、扩大阵列角度覆盖范围、抑制干扰等方面具有重要意义。其中,具有平顶形状波束的天线可辐射具有相同增益的波束,实现宽角度覆盖,且伍德沃德-劳森抽样具有方法简单、抽样点少、运算速度快的优势。因此,运用伍德沃德-劳森抽样方法对均匀直线阵列进行平顶波束赋形。通过计算抽样点数和抽样点位置,得到激励系数,确定阵元位置,计算出激励电流,从而求得各单元的电流分布,计算出阵列的方向图函数,利用MATLAB编程绘制方向图,并分析其基本特性,同时用控制变量法分析不同参数变化对方向图基本特性的影响。研究结果表明：综合的线阵单元数越多,抽样点就越多,综合得到的方向图就越接近预期,综合后方向图主瓣范围内的波纹起伏越小,副瓣电平越低。此外,定向辐射的平顶波束赋形天线在点对多点的无线通信中发挥着重要作用,也可以应用在车载和机载防撞天线、自动驾驶和飞行器等安全控制中心的核心组件中,市场前景广阔。     

大型储罐的三维点云精简方法研究

针对大型储罐三维点云数据散乱、冗余点多等影响计算机显示及容积计算的问题,改进了一种储罐三维点云精简算法。该方法先利用均匀网格法,将待处理的三维点云数据分割成若干小栅格;然后根据随机抽样一致(random sample consensus, RANSAC)算法对每个栅格中的点云数据建立球模型,以保留特征点并滤除冗余数据点,达到精简点云的目的。将该方法与传统的均匀网格法和非均匀网格法进行对比,实验结果表明该方法在保证较高精简率的情况下可以更好地保留储罐点云数据特征。     

基于角点匹配的鲁棒图像镶嵌方法

为了获取场景的宽视场表示,提出了一种鲁棒的图像镶嵌方法.该方法对图像序列中的各个图像进行角点提取,再利用归一化相关方法进行角点的初始匹配.由于初始匹配中包含有大量的出格点,直接采用最小二乘法得不到正确的图像平面间的变换模型参数,为此,采用了鲁棒随机采样算法来估计图像平面间的变换模型参数.该算法能够有效地剔除初始匹配中的出格点,获得精确的匹配点子集.然后利用这些精确匹配的点集来计算变换模型参数,从而实现了图像的正确镶嵌.整个过程无需人工干预,均由计算机自动完成.对真实图像的试验结果表明了该方法的有效性.     

2,4-二氯苯基荧光酮分光光度法测定环境水样中微量铜

研究铜(Ⅱ)-2,4-二氯苯基荧光酮(DC IPF)-表面活性剂体系,提出以溴代十六烷基吡啶(CPB)增敏,在pH 5.82的HA c-N aA c缓冲介质中Cu(Ⅱ)与DC IPF反应生成1∶2的络合物,最大吸收波长为602 nm,线性范围为0~0.8 m g/L,检出限为0.04 m g/L摩尔吸光系数为8.98×104L/(m o l.cm).将该体系用于环境水样中微量铜的测定,方法准确可靠,抗干扰效果好且简便易行.     

基于脑电的实时疲劳监测算法的研究

疲劳驾驶是造成交通事故的一个重要因素。基于脑电波传感器采集到的脑电(EEG)信号,提出了一种基于特征节律波样本空间距离的实时驾驶疲劳监测算法。该算法通过提取脑电特征信号并建立相应的特征样本空间,然后通过将实时采集的脑电信号与样本空间之间的距离来判别驾驶员是否处于疲劳状态;并结合多次实验结果,使用ROC曲线分析方法获得确定疲劳判别的阈值,由此实现对驾驶者疲劳状态的实时监测。实验结果显示,该算法能有效地、实时地对疲劳进行监测,且具有较好的鲁棒性和准确性。     

基于I-ELM的飞机复合材料结构损伤识别研究

针对飞机复合材料结构损伤难以有效识别问题,本文提出一种基于增量型极限学习机(Incremental Extreme Learning Machine,I-ELM)的飞机复合材料结构损伤识别新方法。首先对某型机用复合材料层合板进行冲击,而后对其进行疲劳拉伸试验,通过优化布局在复合材料层合板上的光纤光栅传感器募集应变信息,并对其进行预处理。采用互补总体平均经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)方法对募集的应变信息进行自适应分解,得到多个本征模态分量(Intrinsic Mode Function,IMF),计算各阶IMF分量的样本熵,通过核熵成分分析(Kernel Entropy Component Analysis,KECA)方法对样本熵进行特征融合,构建融合特征向量,采用融合特征向量建立基于I-ELM损伤识别模型,通过实验对损伤识别模型的有效性进行了验证,并与所构建的BP的损伤识别模型的识别结果进行了比较。结果表明,该方法能有效对飞机复合材料结构损伤进行识别,具有很好的应用前景。