巨灾风险大数据处理应急分类、分解、分拣算法与应用

本文主要研究巨灾风险大数据处理的应急分类、分解、分拣算法,给出了相应的算法原理和可操作的步骤.首先根据巨灾风险大数据灾害规模巨大的特征,提出了一种用来解决巨灾风险大数据中一级事件的应急分类与二级事件及以下更低级事件的应急分解算法,并以特大地震灾害作为实例进行了算法应用.接着定义了事故灾难度,用来对巨灾风险大数据处理过程中,对各种级别的事故灾难后果进行不同的数字标识.然后提出一种用来解决巨灾风险中大数据快速处理的应急分拣算法,并在汶川地震中大规模灾害的应急救援计划中进行应用.经过采用这样的应急分拣原理,就可以在面对巨灾风险大数据的复杂、繁多和零乱的重灾事件状态下,使整个应急救援方案优化,并能够有条不紊地进行救援.     

基于数据场联合PRI变换与聚类的雷达信号分选

基于脉冲描述字进行雷达信号分选时,传统聚类算法需要预先人工设定聚类中心和聚类数目。针对该问题,提出一种基于数据场理论联合脉冲重复间隔(pulse repetition interval,PRI)变换与聚类的雷达信号分选新方法。首先,依据数据场理论,基于势值大小实现干扰点剔除,而后利用PRI变换算法进行PRI估计,依据PRI估计值将归一化脉冲描述字数据预分类,进而以各类数据集中心间的欧氏距离小于辐射因子为准则进行类别合并,自动得到初始聚类中心和聚类数目,最后通过改进K-Means算法完成聚类分选。仿真实验表明:所提方法能够应对存在频率捷变,重频参差、抖动、参数交叠、局部脉冲丢失的复杂信号环境,分选正确率明显提升。     

几何相似体应力-应变分布相同时的载荷关系

为了保证几何相似模型与原件具有完全相同的应力-应变分布,必须对几何相似模型施加与实际构件成对应比例的各种载荷,因此需要寻求几何相似模型在应力-应变分布完全相同时各种外加载荷的比例关系。从相似理论入手,以2端固支的矩形梁下表面边线中点的应力解析表达式为基础进行推导,得出相应的理论载荷关系,并用算例在弹塑性状态下验证了所得关系的正确性。得到的结论是:对于2个几何相似构件,若几何相似系数为kl,则当外加集中载荷的载荷系数为kl、均布线载荷的载荷系数为kl、均布面载荷的载荷系数为1时,2构件的应力-应变分布完全相同。     

基于手机的无线搜索技术

无线搜索已成为一个新的研究、开发领域.并且它主要用到信息检索、人工智能、数据挖掘、自然语言处理、排序算法等多领域的理论和技术.此外,它拥有大量的用户,有很好的经济价值,所以引起了世界各国计算机科学界和信息产业界的高度关注,目前的研究、开发十分活跃,并出现了很多值得注意的动向.     

矩阵的弱相似性及其应用

推广了矩阵环Mn(F)中相似性概念，提出了矩阵的弱相似概念，研究了它的基本性质，获得一些有趣结果，此外，指出了文[3]的一个错误，给出了Laffey-Choi一个关键引理的矩阵式的证明。     

金融时间序列分形维估计的小波方法

讨论了金融时间序列的性质,通过实际数据说明,金融时间序列具有两个重要特性——统计自相似性和非平稳性.利用正交小波变换的方法,给出了其分形维的估计方法.最后,实证分析了国内金融市场,并应用此方法分别得出了上证综合指数序列过程和深证成分指数序列过程的分形维.     

固体类流态与地震的相似性研究

固体类流态的研究能够为地震机理研究和地震预报提供一种动态的具有物理意义的方法.作者应用OLYMPUS显微镜和安装在该显微镜上的PanasonicF10高速摄像机,拍录到在常温常压下固态合金中存在的除气、液、固三态之外的运动状态———类流态.应用Sandbox方法和VC 程序实现了图像的数据化和动力学过程的研究,并对地震形成过程中裂缝丛集、扩展和类流态胞区产生裂纹进行对比分析.在绝对分形一致的情况下,应用类流态振荡的时间序列检验四川和新疆等地区1996年～2001年的地震发生情况,符合效果较好.从而为地震预报和孕震机理等方面研究提供了一种动态的具有物理意义的新方法.     

用解析方法建立两个三角形的亲似对应(Ⅰ)

本文解决的是射影几何中建立两个三角形亲似对应的问题.本文对亲似对应问题进行了分析,根据亲似对应的特点,将问题简化,并在此基础上推导出建立两个三角形亲似对应的数学公式及计算方法.     

城市规划辅助审批系统中的相似度研究

城市规划的审批是一件难于量化的工作，它受政治经济等多方面因素影响，是城市规划领域关注的一大焦点．本文尝试将CBR技术用于城市规划辅助审批，让政府的审批依据达到历史与现实的统一．实现CBR的一个关键是相似度的设计，本文结合城市规划辅助审批领域的特点，设计了可行的方案，并应用于实际的办公系统中．     

基于三支决策的密度敏感谱聚类

将三支决策与密度敏感谱聚类结合,提出了一种基于三支决策的密度敏感谱聚类算法。该算法通过在密度敏感谱聚类的聚类过程引入容差参数得到每个类的上界,然后通过扰动分析算法从上界中分离出核心域,上界和核心域的差值被认定为该类的边界域。聚类结果用核心域和边界域来表示每个类簇,可以更全面地展示数据的结构信息。与传统的硬聚类算法在UCI数据集的实验结果相比较,本文使用核心域计算聚类的评价指标DBI、AS和ACC都有所提升,较好地解决了不确定性对象的聚类问题。