异型材拉拔模具设计的变分方法

采用了变分法原理，对异型材拉拔模具设计的方法进行了研究。初步实践表明，拉拔模具设计采用变分的方法可应用计算机进行辅助设计，是简便、易行的方法，已成功的用于梅花轴形件的拉拔模具设计。     

共轭斜量法及其算法实现

介绍了共轭斜量法的基本思想，并给出了实现其原理的算法．共轭斜量法属于迭代法的一种，它算法简单，存储量少，时间复杂度低，尤其在解大型线性方程组时占有优势．     

对考虑摩擦时机构力分析逐次逼近迭代方法的改进

当机构中不含有二力杆时,考虑摩擦的力分析一般采用逐次逼近迭代方法求解。本文针对目前通用的迭代方法所存在的不足,对迭代方法进行了改进,给出了新的速代方法,并编制了计算机程序。通过算例证明,本方法比未改进方法的收敛速度加快20—40％。     

非拟单调的反应扩散方程组的单调迭代法

给出非拟单调的反应扩散方程组初边值问题上下解方法中一种新的单调迭代格式及其应用实例。     

基于变分贝叶斯估计方法的双尺度自适应Kalman滤波

针对Kalman滤波在对敌目标估计应用中遇到的量测和过程噪声均未知且时变的情况,提出了一种利用变分贝叶斯估计的双尺度自适应滤波方法。解决了2个关键问题：一是针对量测和过程噪声协方差的共轭后验分布提出了相对转移概率指标,设计了启发式的自适应噪声估计窗口,实现了稳态精度和时变响应性能的综合提升,能适应敌方目标机动性高且统计特性变化快的特点;二是设计了在不同时间尺度上估计过程噪声和量测噪声的协方差方法,解决了在同一时间尺度上使协方差估计值发生严重偏差且增大滤波误差的问题。仿真表明,所提方法能快速跟踪目标状态噪声统计特性的变化并保证估计精度。     

基于变指数分数阶全变差和整数阶全变差的图像恢复算法

结合变指数全变差(totalvariation, TV)和整数阶TV,提出一种变分图像恢复算法。该变分问题的能量泛函主要分为三个部分:变指数p(x)的分数阶TV正则化项、整数阶TV正则化项和数据保真项。该模型中的指数p(x)是与图像的梯度信息有关的函数。在理论上,由于分数阶导数和整数阶导数的结合,使得所提方法不仅能有效地去除图像噪音,保护图像的边界高频信息,还能更好地保留图像的纹理细节等中低频信息,同时可以极大地消除图像处理中产生的阶梯效应和散斑效应。在模型的求解上,利用变分法可以简单地将极小化泛函的优化问题转化为梯度下降流方程。最后,通过模拟数据和真实数据对本文所提方法进行了验证。试验结果表明,该方法可以去除噪声的同时,有效保持边界和纹理细节,并且对噪声是鲁棒的,具有一定的实际应用价值。     

松弛模系矩阵分裂迭代法求解一类非线性互补问题

考虑松弛模系矩阵分裂迭代法求解一类非线性互补问题,理论分析给出了当系数矩阵为H_+-矩阵时迭代法的收敛性和松弛参数的选取方法.数值实验表明,松弛模系矩阵分裂迭代法在迭代步数和迭代时间上均优于模系矩阵分裂迭代法.     

具Neumann边值条件p(t)-Laplacian微分方程多解的存在性

利用Ricceri变分原理,讨论一维p(t)-Laplacian微分方程-(|u′|~(p(t)-2) u′)′+|u|~(p(t)-2) u=λf(t,u)的Neumann边值问题,证明了该问题在一定条件下至少存在3个弱解.     

基于变分模态分解的相关能量熵自适应阈值去噪

为有效抑制噪声对地震数据的影响,根据地震信号的时频特性,提出了基于变分模态分解的相关能量熵阈值去噪方法。采用变分模态分解算法将地震信号分解为频率由高频到低频且具有一定带宽的模态分量,计算各模态分量与地震信号的规范化相关系数,实现对各模态分量中的有效信息和噪声的定位。将去除有效信息的各模态分量分成若干子区间,分别计算各子区间的噪声能量熵,选取能量熵最大区间的模态分量系数作为该分量的噪声方差获得该分量的阈值,再将经阈值处理后的各模态分量重构得到去噪信号。通过对合成地震模型和实际地震信号进行去噪处理,并与直接去除高频分量的变分模态分解去噪方法进行了对比,结果表明,该方法能在强噪声环境下更有效地提取地震信号中的有效成分,提高信噪比。     

各向异性全变分图像去噪算法

图像去噪是图像复原问题中的重要研究内容之一,在此过程中图像的高频部分易受到破坏。针对这一情况,通过引入不同的权重参数惩罚x与y方向上的梯度算子,提出修正的各向异性全变分去噪模型。引入的权重参数具有局部自适应性,可以使模型对应欧拉方程在图像切线与法向方向的扩散具有更鲁棒的各向异性扩散能力,可以达到保护图像细节的目的。另外,提出的模型是具有可分裂结构的非光滑凸优化问题,采用算子分裂技术将其转化为多个易求解的子问题,并在交替方向乘子法的框架下求解,从而保证了算法在理论上的收敛性。与现阶段其他变分型的复原模型相比,所提出的模型在有效抑制噪声的同时能有效地保持图像的局部结构特征。对于分块效果明显,噪声水平较低的图像去噪结果十分显著;对于分块效果不明显,图像细节较多的图像,该模型依然有效。