基于混合优化算法的关节臂式测量机参数标定

为进一步提高关节臂式坐标测量机等高机动性精密测量设备的测量精度,使用D-H矩阵法建立其关节坐标转换数学模型并据此推导出参数误差模型.针对非线性多参数标定问题,通过变换分析消除了最小二乘法求解时矩阵中的冗余参数,降低了计算的复杂性.设定判定准则并实现最小二乘法和模拟退火算法的混合,提出了一种基于混合优化算法的参数标定方法,解决了LM算法的初值设定和SA算法的搜索效率逐步降低的问题.实验结果表明:关节臂式测量机参数经混合优化算法标定后,参数的误差范围有了显著的缩小,单点重复性误差的平均值减小了1.746 mm,长度误差的平均值减小了0.941 mm,测量误差得到了进一步的抑制.     

有限交换p-群中加性码的计数

解决了有限交换p-群中加性码的两类计数问题,第一类计数问题是指求任意给定的有限交换p-群中任意类型码的数目,第二类计数问题是指求包含同一类型码的有限交换p-群的数目以及它们分别所含有的该类型码的数目.     

几乎无偏刘估计的不可容许性

考虑了线性回归模型中,在Fisherian和Mahalanobis损失函数下,几乎无偏刘估计对于最小二乘估计的不可容许性;结论表明:几乎无偏刘估计在Mahalanobis损失函数下是不可容的;最后进行了数值模拟来表明结果.     

非同分布φ混合序列加权和的强极限收敛性

利用φ混合序列矩不等式和截尾的处理方法,研究非同分布φ混合序列加权和强极限收敛性质的问题,得到了若干新结果,推广并改进了独立同分布情形下的相应结果.     

公理化局部有限空间中映射连续性的扩展

用公理化方法研究了局部有限空间中的连续映射及其扩张问题。给出了局部有限空间的公理化定义方法;利用邻近关系研究了局部有限空间中的连续映射、同胚和局部同胚等问题;通过对局部有限空间变形的研究,定义了局部有限空间的一种特殊收缩核,有效地解决了局部有限空间中连续映射的扩张问题。     

利用反预报方法从截面预言近滴线丰质子核的结合能

在Origin等数据处理软件中,当实验数据较少时,自由参数的不同初始化设置会导致较大的结果差异,这为物理结果的确定带来较大不确定性.通过最小二乘法分析了345MeV/u ~(78) Kr+~9Be反应中产生的丰质子同位素的截面和结合能,并得到线性回归方程.通过回归方程,利用结合能预报部分丰质子核素的截面,以及通过实验截面对近质子滴线核素的结合能进行反预报测量.这对于近质子滴线的丰质子核素实验测量具有较好的借鉴意义.     

基于变量选择-神经网络模型的复杂路网短时交通流预测

摘要： 针对传统交通流预测模型正在由单断面历史数据处理向多断面、多时刻历史数据处理转变,但在考虑各断面间的影响时,多变的交通状况往往会使预测模型复杂化的问题,引入一种多元线性回归最小绝对收缩和选择算子方法(Lasso),并利用其优秀的变量选择能力,在复杂路网多断面中选出相关性较高的断面；结合神经网络(NN)的非线性特性,提出了Lasso NN组合模型.结果表明：Lasso NN模型在路网交叉口对未来15 min交通流数据预测的误差率低于9.2%；在非交叉口的误差率低于6.7%,总体优于各自单独使用得出的结果.     

基于多变量希尔伯特频域模型的癫痫发作预测

癫痫发作具有突发性和反复性,对患者生命安全构成巨大威胁.为了对癫痫发作进行有效地预测,提出了多变量希尔伯特频域模型的癫痫发作预测方法.将希尔伯特边际谱、希尔伯特边际谱的变化方向和希尔伯特加权频率组成一个三维特征向量作为多变量希尔伯特频域模型,输入到支持相量机中,实现癫痫的发作预测,最后采用癫痫发作预测特征方法对预测结果进行评估.实验结果表明:采用多变量希尔伯特频域模型分析方法预测δ波和θ波的癫痫发作,癫痫预测范围在30~45 min,患者有足够的时间采取措施应对;癫痫发作周期在5~10 min,缩短患者等待时间,降低焦虑程度;与多种相关方法进行比较,该方法具有较低的错误预报率和较高的预测敏感度.     

基于扫描数据零件轮廓特征自动识别的方法

主要研究基于扫描数据自动识别零件轮廓特征的方法与技术．首先给出了零件轮廓特征自动识别的工作流程，然后提出了零件轮廓特征自动识别的原理与算法，最后通过具体实例验证了本方法的优点及可行性。     

借助Matlab遗传算法反演火山区压力源参数

首先分析了Mogi模型的经典最小二乘反演由于出现矩阵奇异或接近奇异而发散的局限性,决定采用具有全局高效搜索性和优化计算时不需要求导的遗传算法来反演火山区压力源参数。反演程序调用Matlab7.0 Release14工具箱中的选择、交叉和变异等相关程序。最后应用该程序和长白山天池火山区水准和GPS观测资料联合反演火山区压力源参数,经过比较遗传算法和阻尼最小二乘方法的反演结果,可看出2种方法结果近似,可见此方法方便快捷地实现了目标函数的最小化。