螺栓连接大变形梁非线性振动特性的实验研究

柔性机械臂、大型可展开天线等机械结构的动作精度受运动过程中大变形几何非线性和连接处接触非线性的影响十分显著。以含螺栓连接结构的大变形梁作为研究对象，针对动力学建模和振动特性开展了实验研究，通过数值计算验证了实验发现的非线性振动特性。搭建了含螺栓连接柔性大变形梁的实验台架，开展了敲击和正弦激振的实验测试。实验结果表明，螺栓连接的柔性梁较连续梁的（无螺栓连接）模态频率降低，阻尼增加，反映出随着激励能量增大，模态频率降低的非线性模态特征。改变螺栓连接位置会显著影响结构的模态频率，其变化规律可由求解线性矩阵特征值定性反映。     

基于熵评价模态分解的雷达信号双谱特征识别

针对在低信噪比下雷达信号调制识别准确率低、抗噪性差的问题, 提出一种基于熵评价模态分解和双谱特征提取的识别方法。利用双谱可以抑制高斯噪声的特点, 分析了在低信噪比下进行信号调制识别的可行性并引入了噪声项。由于噪声项的干扰, 双谱在0 dB以下时, 噪声抑制效果变差, 提出了基于信息熵评价的经验模态化分解对信号进行预处理, 提高信噪比。最后, 设计了卷积神经网络分类器, 实现对不同调制类型信号的识别。仿真实验结果表明, 本文方法相比传统方法具有良好的抗噪性, 能够在低信噪比下对不同类型信号进行有效识别。     

考虑多种损坏构成特征的沥青路面预防性养护决策方法

由于沥青路面损坏构成的多样性, 相同的路面状况指数(pavement condition index, PCI)可能代表不同的损坏组合. 当多种损坏并存且损坏程度接近时, 用PCI和主导损坏(最严重、扣分最多的路面损坏)难以得到具有针对性的养护对策. 因此, 通过对PCI的深入分析, 明确了主导损坏代表性不足的路段, 以现行预防性养护决策方法为基础, 补充了一种考虑损坏构成特征、更具针对性的决策方法. 以上海城市道路近5年的检测、养护数据为分析基础, 首先利用有序聚类算法将路段按PCI水平分组, 分析了不同阶段路面损坏构成和差异水平; 然后, 针对多种损坏并存且损坏差异不显著的路段, 根据预防性养护的实施效果筛选了能够反映正确预防性养护经验的有效养护路段; 最后, 基于有效养护路段建立并对比分析了2个基于BP(back propagation)神经网络的养护决策模型. 结果表明: 当PCI水平介于优良(84.4~93.0分)时, 不同损坏程度接近, 主导损坏代表性不足; 考虑多种损坏构成特征的BP神经网络模型表现出更高的决策精度, 测试集决策正确率达86.20%, 优于仅考虑主导损坏的模型(58.50%). BP神经网络与传统决策树法结合能够优化沥青路面决策过程, 提高养护对策选取的针对性.     

基于动态优化双钻头打孔机生产效能的研究

首先,对孔型加工及走刀方式进行分析,为提高打孔机效能,采用两钻头同时作业的方式。然后,根据相关的数据,应用动态优化的相关理论建立数学模型,并运用遗传算法进行求解,从而确立了双钻头作业时的最优作业线路、最佳行进时间和作业成本,并用MATLAB编写程序画出了相应图形,更加形象地显现出了各个路段的最优作业方案。     

基于JAVA建立树形结构的算法优化

树形结构在程序设计过程具有非常重要的作用,但树形结构的构建相对比较复杂。通过研究设计并实现一种从普通Java对象中建立树形结构的优化算法。     

植入式硅神经微电极的发展

 神经科学和神经工程研究需要研究大脑神经元的电活动情况，以了解大脑产生、传输和处理信息的机制。植入式神经微电极作为一种传感器件，是时间分辨率最高的神经电活动传感手段之一。介绍了国内外几种主要的植入式硅基神经微电极的结构特点、制备方法和性能特点。分析表明，未来通过不断结构优化和改性修饰，特别是在高通量的神经记录方面，通过与同样基于硅材料的电路的集成，硅神经微电极能够进一步提高生物相容性，解决大规模的电极通道体内外传输与连接问题，实现对神经元的在体大规模长时间记录。     

三门峡水库电站运行调度的优化研究

三门峡水库泥沙淤积严重，使其枢纽的各项技术指标经常变化，为其调度运行带来极大困难。为此，充分考虑三门峡水电站运行过程中的各种约束条件，分别采用动态规划和遗传算法给出了电站优化调度模型，建立了该电站的运行调度系统。经过水库1991年—2000年实际来水和控制运行的月报资料的模拟验证，结果表明，该系统可平均增加发电量约12．9％，使电站能更合理地进行管理调度。而且，通过对随机模拟的长序列入库月径流过程的模拟调度，建议了三门峡水电站具体的管理调度运行方式。     

A neural network versus Black–Scholes: a comparison of pricing and hedging performances

An Erratum has been published for this article in Journal of Forecasting 22(6‐7) 2003, 551 The Black–Scholes formula is a well‐known model for pricing and hedging derivative securities. It relies, however, on several highly questionable assumptions. This paper examines whether a neural network (MLP) can be used to find a call option pricing formula better corresponding to market prices and the properties of the underlying asset than the Black–Scholes formula. The neural network method is applied to the out‐of‐sample pricing and delta‐hedging of daily Swedish stock index call options from 1997 to 1999. The relevance of a hedge‐analysis is stressed further in this paper. As benchmarks, the Black–Scholes model with historical and implied volatility estimates are used. Comparisons reveal that the neural network models outperform the benchmarks both in pricing and hedging performances. A moving block bootstrap is used to test the statistical significance of the results. Although the neural networks are superior, the results are sometimes insignificant at the 5% level. Copyright © 2003 John Wiley & Sons, Ltd.     

梯度网络平稳点集合的Hopfield稳定性与吸引域

给出梯度神经网络模型的电路实现 ,证明了网络平稳点集合的全局 Hopfield稳定性。对各个平稳点吸引域的几何估计得到了相关结果 ,这为网络初始输入的数量与方向判定提供了基本的量度参数准则。     

Research on Tracing Evaluation System in Virtual Enterprise Based on Neural Network

The tracing evaluation index system was designed to be used in virtual enterprise and established neural network trace evaluation model. As a result, it was more simple and nicer than the traditional method, so it had wider application foreground.