基于B样条的稳健回归算法

利用B样条基构建了拟合函数模型.针对观测数据中存在野值的情形,选取了稳健函数进行稳健回归,并通过迭代再加权法实现了拟合函数模型的求解.试验结果表明:在数据中含有野值的情形下,基于B样条的稳健回归算法比常规的最小二乘回归算法具有更好的表现.     

基于小样本数据的作战计划生成方法

针对部队实兵对抗实验数据生成和采集的投入高、难度大的实际,提出基于小样本数据生成作战计划的方法：首先,采用偏最小二乘回归分析法建立作战因素与作战结果间的多元非线性模型;其次,采用改进的遗传算法,在MATLAB平台编程实现了对模型的整数规划求解,并通过实例验证算法的有效性;最后,利用作战因素的重要性排序分析作战计划的调整流程。     

基于支持向量机的装备故障间隔时间预测研究

针对装备故障样本数据量少、非线性强,故障预测困难的问题,提出了一种基于支持向量机回归的故障间隔时间预测模型.在不同核函数条件下,以提高核函数的普遍适应性和拟合精度为目的,通过实例分析选择了相对于装备故障数据的最佳核函数,并根据故障样本数据的特点,设计了与之相适应的核函数参数.实验结果表明,与常用的BP神经网络预测模型相比,该模型有更强的鲁棒性和推广能力,具有一定的实用价值.     

四轨电磁发射器电枢-轨道初始接触特性研究

电磁发射器中电枢轨道的不合理物理接触可能导致轨道的刨削、烧蚀和电枢转捩,进而影响电枢和轨道寿命。针对四极轨道电磁发射器电枢的结构特点,设计了基于过盈配合的电枢-轨道初始接触有限元模型,利用ANSYS进行了不同结构参数下的电枢-轨道仿真计算,获得了不同结构参数对初始接触特性的影响规律。为解决电枢尾部接触分离现象,设计了基于反向加载方式下挠度拟合的曲线电枢臂,仿真结果表明,轨道接触效率得到了提高,改善了电枢-轨道初始接触面的压力分布情况。     

俄罗斯军事大国的艰难回归

俄罗斯的国防工业能否生产出新国防战略所要求的装备还有待商榷。美国海军分析研究中心的德米特里·戈连堡指出．俄国防部计划的制订显然是对工厂和船坞生产速度过于乐观的结果,认为它不会出现任何延误、技术和设计问题,或瓶颈问题。然而,设计问题已迫使一项37架苏-35战斗机的政府采购订单延期两年。戈连堡和其他一些专家认为俄军的发展速度极不可能实现既定目标。     

新型教学模式下教学路径探讨——基于本科教育“四个回归”

实现本科教育的“四个回归”,是新时代背景下高等本科教育教学改革应该完成的目标。要围绕学生的主体地位来建构新型教学模式下教学路径中的学生角色。学生刻苦学习是学生主体学习地位的基础,实行一定比例的淘汰制是学生刻苦学习的重要保证,助力实现“回归常识”。在教师主导课程学习的过程中,要以学生究竟能学到什么和事实上学到什么作为衡量教学效果的标准,助力实现“回归本分”。课程全过程评价方式是动态全方面的评价方式,改变了目的性极强的单一期末考试评价机制,打破了期末考试一考定成绩的传统做法,助力实现“回归初心”和“回归梦想”。     

平面 NURBS 曲线的椭圆弧自适应逼近

给出了用椭圆弧及双椭圆弧自适应逼近平面NURBS曲线的算法。算法所得到的椭圆样条能够G1连续 ,双椭圆样条还能够保形。与现行的圆弧逼近算法相比 ,本算法不需要求解非线性方程组 ,而是由给定的插补误差自动计算参数增量 ,得到椭圆曲线的特征点 ,还可以将误差控制在预期的范围之内 ;与现行的直线插补方法相比 ,不需要额外的时间和空间 ,也适用于CNC环境。本算法在腔体加工、二维轮廓加工等方面有特别的实用价值。     

多层局部回归神经网络在激光陀螺捷联惯导系统惯性敏感器误差补偿中的应用

惯导系统误差补偿技术对提高武器装备的性能具有重要的意义 ,而误差补偿的关键在于误差模型的辨识。探讨将多层局部回归神经网络引入到惯性敏感器误差建模中 ,详细介绍了网络结构和对应的自适应动态梯度算法。仿真算例说明 ,多层局部回归神经网络在惯性敏感器输出误差建模时具有一定的优点 :网络收敛速度快、较好的跟踪性能、稳定性好。     

四连杆机构连杆曲线的识别及机构反求

针对工程中查找四连杆机构连杆曲线图谱所存在的精度及效率问题,提出一种利用计算机图形学和数据库原理进行连杆曲线快速识别和查找的方法,此方法的核心是建立起曲线与机构的对应关系,用适当的数据结构表示它们,从而快速识别连杆曲线并建立相应的数据库,该方法还能迅速实现机构的反求。     

平面上保守力判别的讨论

本文利用数学分析和复变函数论中的有关知识,对平面上保守力的判别进行了较深入的讨论。