基于疲劳强度分布的复合材料疲劳验证载荷放大系数

传统的载荷放大系数(LFE)法是在复合材料静强度和疲劳寿命的Weibull分布基础上推导得出的。为了保证复合材料疲劳试验验证的可靠性和疲劳载荷放大系数的分散性较小,利用疲劳可靠性理论,提出一种基于复合材料疲劳强度和疲劳寿命Weibull分布的载荷系数法——疲劳强度载荷放大系数(FLEF)法。将LEF和FLEF方法应用于疲劳试验数据分析,结果表明:在无批量数据的前提下,采用LEF法获得的疲劳载荷放大系数无法保证复合材料疲劳试验验证的可靠性,FLEF法确定的载荷系数具有更小的分散性,更高的可靠性。可见,与LEF法相比,FLEF法在理论和实践上更适合复合材料疲劳试验载荷放大系数的确定。     

组合加权算术平均算子在物流配送商品销售预测中的应用

提出基于组合加权算术平均算子的组合预测方法,并结合实例对各种预测模型与组合预测模型探讨了不同的组合预测权重确定在实际中的应用,其预测效果高于一般方法。     

基因表达式编程在组合预测建模中的应用

介绍一种利用基因表达式编程的方法来自动生成非线性函数的组合预测模型,并进行误差估计分析, 改变过去只依靠各个子方法的简单线性相加,不能很好地反映非线性真实世界的传统组合预测建模方法.通过对我国CPI的真实历史数据验证, 验证结果表明: 与传统的ARIMA,灰色GM(1,1), BP神经网络和线性组合预测四种方法对比,基因表达式编程建立的组合预测模型所预测的数据准确度明显提高.     

随机波动和跳跃下的短期利率动态

在短期利率模型中引入随机波动和跳跃两种因素,利用序贯参数更新思想和粒子滤波方法实现模型的估计,并对中国银行间短期利率进行实证分析. 研究结果显示短期利率存在显著的随机波动和跳跃特征,表明CIR-SV-J模型在描述短期利率动态中拟合效果最优,而且忽视随机波动或跳跃因素会使拟合变差,影响对利率均值回复特征的描述,并证明了随机波动因素在模拟中比跳跃因素起着更为重要的作用.     

基于组合预测的间断性需求器材预测

为了提高间断性需求装备器材的预测精度,提出一种组合预测模型。该模型从解释变量序列和自相关序列两个方面进行组合预测,对解释变量序列采用Logistic回归模型预测提前期非零需求发生概率,对自相关序列采用Markov过程估计提前期非零需求发生概率,整合两个预测结果得到最终的提前期需求。实验结果表明,该预测模型具有较高的预测精度。     

大规模三维标量场并行可视化技术综述

并行绘制是提高大规模三维标量场可视化效率的一种重要方法,分别对三维标量场的两类重要可视化方法面绘制方法和直接体绘制方法进行了阐述,并结合这两类可视化方法对其并行绘制中的各种并行模式、负载平衡和图像合成算法进行细致的分析和比较;对国内外较有名的并行绘制系统实现进行了分类与对比;最后,在总结现有研究成果基础上,分析了该领域的下一步发展趋势,为大规模性三维标量场的并行可视化提出了新的问题和思路。     

多核乐观并行仿真的负载均衡研究

对于运行于多核计算机、基于多线程实现的乐观并行仿真,虽然操作系统可对线程进行调度以平衡各个核的负载,但它无法控制各逻辑进程本地虚拟时钟的平衡推进。提出了多核乐观并行仿真的四层负载分配模型及一种静态划分与动态负载均衡相结合的负载均衡方案。静态划分使用Metis图划分包对模型实例进行划分;动态负载均衡优先调度本地虚拟时钟较小的逻辑进程以实现各逻辑进程的平衡推进,无须进行模型迁移,易于实现。通过一序列实验检验了所提出的负载均衡方案的有效性。     

基于专家知识的模糊时间序列预测模型及应用

将投资专家的成功经验引入模糊时间序列模型,实现股票市场走势的多步预测。根据专家经验构造多个反映市场结构特征的变量并将其模糊化为模糊时间序列;建立具有多前件、高阶模糊关系的模糊时间序列预测模型;最后,将该模型用于股票指数预测。结果表明,与经典模糊时间序列模型相比,其预测精度有了较大提高。     

加权指数损失下长短时记忆网络换道意图识别模型

针对车道变换意图识别中数据源单一,传统序列模型难以捕获长序列范围内换道意图且存在长期依赖问题,提出一种结合时间信息加权指数损失函数的长短时记忆(long short-term memory,LSTM)车辆换道意图识别模型.首先,利用驾驶模拟舱、眼动仪进行高速公路驾驶实验,采集车辆运行数据和驾驶员眼动数据;然后,基于LSTM结构单元构建高速公路环境下车辆换道意图识别模型,提出基于时间信息加权的指数损失函数对模型权重进行优化;最后,利用车辆运行数据和驾驶员眼动数据对所提模型加以验证并与其他模型进行对比,所提模型换道识别的准确率为91.33％,宏平均精确率为89.04％,宏平均召回率为92.84％,宏平均F1值为90.33％.结果表明,长短时记忆网络对于长序列换道意图识别过程具有较好的分辨能力,提出的损失函数对模型权重优化具有良好的效果.     

基于BP神经网络的桥梁移动荷载识别精度

为了识别作用于桥梁结构上的移动荷载,基于反向传播神经网络方法,开展了输入参数对荷载识别精度影响的分析.首先利用ANSYS模拟移动集中力通过简支T梁桥,得到了主梁跨中位移、速度和加速度时程曲线;其次基于MATLAB建立反向传播神经网络结构,分别将桥梁结构的位移、速度和加速度动态响应数据作为反向传播神经网络的输入参数,移动荷载大小作为输出参数,研究不同输入参数对荷载识别精度的影响;然后分别选取位移和速度、位移和加速度、速度和加速度以及三者组合的工况进行多参数输入的优化设计;最后,以某4跨预应力混凝土连续T梁桥工程为背景,以重车下的竖向加速度实测数据验证了该反向传播神经网络用于识别实桥上简单移动荷载的可行性.结果 表明:利用反向传播神经网络进行移动荷载大小识别时,单输入参数的识别精度由高到低依次为加速度、速度、位移,建议在实际工程中采用较易获取的加速度数据作为输入参数进行荷载识别;多参数组合输入可以提高移动荷载的识别精度,其中速度和加速度组合可以实现较优的识别效果;实测数据证明了该反向传播神经网络用于简单的实桥荷载识别是可行的.相关研究结果可为桥梁载荷识别及桥梁结构的性能评价提供参考.