非线性支撑下悬臂输流管道的Hopf分叉特性

研究了外激励作用下非线性支撑悬臂输流管道系统的Hopf分叉特性,建立了外激励作用下非线性支撑悬臂输流管道系统的动力学方程,并采用Galerkin方法离散动力学方程,由增量谐波平衡(IHB)法推导了方程的近似解析解,由Floquet理论判定了解的稳定性,同时给出了系统的Hopf分叉点。利用数值算法和IHB法研究了支撑位置、支撑结构刚度和阻尼对系统Hopf分叉特性的影响规律。研究表明:系统的幅频特性在Hopf分叉前后发生了改变,响应频率由外激励频率变为系统的自激振动频率,且系统Hopf分叉后,幅值显著增大。该研究结果可为悬臂管道的振动控制提供理论基础。     

基于监测数据的电磁频谱地图构建与验证

提出基于广义回归神经网络拟合和聚类克里金的构建方法,通过趋势面拟合,将电磁频谱地图构建分解为路径衰减和阴影衰落分量的估计问题,以提升构建精度;设计监测数据聚类和自适应最优邻域选取机制,在保证构建精度的条件下减小计算数据量,以提升构建速度,从而利用数量有限的电磁环境监测数据,在不需要先验信息的条件下实现电磁频谱地图的准确、快速构建。设计并实现电磁频谱地图验证系统,搭建车载数据采集设备,利用实测电磁环境监测数据,验证所提方法的可行性及构建性能。     

海量公交数据的人群画像算法

面向海量公交数据的人群画像对分析城市群体出行特点、交通态势等极具价值,但对数据的处理存在耗时高、质量低、解释难等问题。提出一种海量公交数据人群画像的系统化解决策略,基于PageRank算法筛选出经过重要站点的人群轨迹,极大减少目标人群的轨迹数据;提出轨迹文本化分析方法来提高人群画像的可解释性;分析确定基于余弦距离的K-means算法作为人群画像分类的聚类算法。该算法在3 000万乘客公交出行数据上的实验表明:提出的解决策略能够较为系统性地解决海量公交数据的人群画像问题,同时基于余弦距离的K-means算法的聚类效果最好且准确率约达80%。将人群画像及其轨迹使用Flow Map进行可视化展示,结果符合真实世界的人群行为特征。     

一种支持向量机增量学习淘汰算法

针对大规模数据集的分类问题,支持向量机的训练成为一个难题。增量学习是解决这一难题的思路之一。分析了新增样本加入训练集后支持向量集的变化情况,提出了一种基于密度法的支持向量机增量学习淘汰算法,淘汰了对最终分类无用的样本,在保证测试精度的同时减少了训练时间。实验仿真证明这种算法是有效的。     

可拓工程方法在效能-费用权衡中的应用

介绍可拓学及物元理论,提出用可拓工程方法对武器装备效能-费用进行权衡分析。建立了装备效费权衡分析的高阶复合物元模型,对初始效费方案进行了延拓,提出可拓特征集的概念。在此基础上,对效能-费用方案进行可拓聚类分析。     

基于模糊均值聚类算法的图像分割

将图像直方图统计特性引入到FCM聚类算法的目标函数中,用混合粒子群优化算法对目标函数进行全局最优求解,提高了图像分割的运算速度。     

固定节点3D网格部署的水下传感器网络分簇路由算法

水下传感器网络是应用于水下通信的重要传感器网络技术。提出了基于固定节点3D网格部署的水下无线传感器网络分簇算法,设计了3D网格的编址和分簇方法,实现了基于地址分配的节点定位,构建了算法的能耗分析模型。采用MATLAB完成了算法的性能仿真,对比了DS-VBF、IAR和GEDAR 3个算法的平均数据传输延迟和网络生存时间(TTL)。实验结果表明,此算法的平均数据传输延迟较短,可明显提高UWSNS的生存时间。     

基于标签树的生长干部招生计划聚类方法

生长干部招生计划是规定军队干部补充来源渠道及数量规模的重要依据,对干部队伍建设与发展具有重要的意义。随着招生计划每年拟制与积累,分析与评估计划将会起到辅助决策的作用,对招生工作的实施带来深远影响。本文从数据挖掘的角度,以聚类的方法研究分析招生计划,这为分析历年计划的波动性并理解评价计划与政策的贴合度提供了定量分析的手段。首先分析了招生计划的特点,进而提出以标签树量化招生计划的解决思路,通过抽取标签树中的特征子树作为聚类中的度量特征,并采用共现的方法实施"先形成核心,再依次分类"的步骤完成聚类。实验表明该方法在合成数据集和真实数据集上聚类效果较好、效率较高,对分析招生计划具有一定理论意义。     

要地防空指挥控制系统作战效能灰色聚类评估

建立要地防空指挥控制系统作战效能评估指标体系,运用层次分析法确定各层次指标权重,提出了一种基于灰色定聚类和中心点三角白化权函数的要地防空指挥控制系统作战效能灰色聚类评估方法,并通过算例对该方法的有效性进行了检验。结果表明该方法是切实可行的。     

众包标签的双重置信度推断算法

标记者的知识水平、评价标准等均具有显著差异,导致收集到的标签质量参差不齐,提高标签和学习模型的质量对众包标签中学习起着关键作用。针对众包标签推断问题,提出了一种双重置信度推断算法,分别从数据分布特征及标签信息两方面计算得到标记者置信度,再通过此置信度推断数据集的集成标签,以此提高集成标签的质量。实验结果表明,与其他仅使用标签信息的推断算法相比,所提算法可以得到更优结果。