水隔离泵水击问题的研究及解决措施

介绍了水隔离泵产生水击的原因及危害，并从理论上分析研究了两相流管道中压力波的传播速度、时间及压力增值。通过理论计算，给出了解决水击问题的措施。     

粒子群优化算法中惯性权重的研究进展

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的用于解决优化问题的一类新兴的随机优化算法。惯性权重是粒子群算法中非常重要的参数,可以用来控制算法的开发和探索能力。简单介绍了标准粒子群优化算法的基本原理,全面综述了现有文献中对惯性权重的研究进展情况。     

混沌搜索神经网络集成求解广义异或分类问题

神经网络集成被认为是最有效的工程化神经网络设计方法之一.把混沌搜索技术引入到神经网络集成方法中,提出了基于混沌搜索的神经网络集成方法.该方法保持了神经网络集成可以有效提高神经网络的泛化能力的特点,减小"多维共线性"和样本噪声的影响.为有效保证网络权值多样性,在网络权值初始化的过程中加入混沌理论.对广义异或问题的仿真计算表明,该方法的性能优于标准的神经网络集成方法.     

一种蝶形单元的电磁带隙结构的频率特性

电磁带隙结构是光子晶体中的一种,它可以广泛地应用于微波、毫米波波段.研究了一种具有蝶形单元的电磁带隙结构,通过理论分析获得它的ABCD矩阵,将ABCD矩阵转换为散射矩阵,进而得到该结构的频率特性.在这种电磁带隙结构中引入缺陷,采用同样的分析方法获得它的频率特性.通过仿真计算可以看出,具有蝶形单元的电磁带隙结构大约有2.8 GHz带宽的阻带,相对带宽为52%;而具有缺陷的电磁带隙结构在阻带中形成一个具有一定带宽的通带,且通带的频率很容易调整.     

基于神经网络集成的微带天线谐振频率建模

谐振频率是微带天线设计过程中最重要的一个参数,直接决定设计的成败.提出基于十进制粒子群优化(DePSO)算法和二进制粒子群优化(BiPSO)算法的选择性神经网络集成方法,通过粒子群优化(PSO)算法合理选择组成神经网络集成的各个神经网络,使个体间保持较大的差异度,减小"多维共线性"和样本噪声的影响.为有效保证PSO算法的粒子多样性,在迭代过程中加入混沌变异策略.仿真试验表明:混沌PSO算法可以有效提高神经网络集成的泛化能力,基于混沌PSO算法的选择性神经网络集成所建立的微带天线的谐振频率模型好于此问题的已有结论.     

双模式教学与本硕课程群有效衔接关系的探讨

课程群是指专业课程体系某一学科内的诸多课程的集合,是若干门彼此独立而又相互密切联系的课程。然而,对于本科与硕士阶段课程群的统筹建设而言,其涉及到本科教学与硕士研究生教学的两个阶段教学过程中存在较为复杂的衔接处理问题。针对这一现象,对教学环节可能出现的衔接问题进行了研究与分析,力图通过对教学过程中独立教学与多师合授教学模式平衡性的研究,以改善本硕课程群建设过程中存在的诸多不利因素,获得良好的教学效果。     

基于支持向量机集成的圆极化微带天线设计

人工神经网络(Artificial Neural Network,ANN)设计圆极化微带天线(Circularly-polarized Microstrip Antenna,CPMSA)时需要进行大量数据样本的准备,网络结构一般都比较复杂.为了解决这个问题,利用支持向量机(Support Vector Machine,SVM)在解决小样本数据处理问题时具有拟合精度高、泛化能力强、结构简单等优点,结合二进制粒子群(Binary Particle Swarm Optimization,BiPSO)算法选择出合适的SVM个体参与集成,形成一种基于BiPSO算法的选择性SVM集成(SVM Ensemble,SVME)方法,并将该方法用于单馈切角方形CPMSA的综合设计.仿真结果表明:这种SVME方法提高了算法的鲁棒性和有效性,有更好的预测精度,通过与ANN、SVM以及现有文献的预测结果对比可以看出,由该模型得出的结果优于此问题的已有结论.     

一种改进的小波变异粒子群优化算法

为提高粒子群优化(PSO)算法的优化性能,提出一种改进的小波变异粒子群算法(IPSOWM)。在每次迭代时以一定的概率选中粒子进行小波变异扰动,从而克服PSO算法后期易发生早熟收敛和陷入局部最优的缺点。数值仿真结果表明,IPSOWM算法的搜索精度、收敛速度及稳定性均优于PSO和PSOWM算法。     

具有强开发能力的风驱动优化算法

风驱动优化算法是一种新兴的基于群体的迭代启发式全局优化算法。针对风驱动优化算法易陷入局部最优值的问题,实现了5种带有不同变异策略的风驱动优化算法,这些变异策略分别是小波变异策略、混沌变异策略、非均匀变异策略、高斯变异策略以及柯西变异策略。应用不同变异策略的风驱动优化算法对不同维度的经典测试函数进行了仿真实验,并与粒子群优化算法进行了比较。实验结果表明,小波变异风驱动优化算法具有较强的开发能力,可有效跳出局部最优,其寻优速率、收敛精度及算法稳定性均优于粒子群优化算法、风驱动优化算法和其他改进算法。     

基于一种新形核函数高斯过程的双频微带天线设计

针对采用高斯过程进行建模时,不同核函数形式有着不同学习效果的问题。提出了一种自定义的平方指数形式的核函数,并基于多项式函数拟合对这种新形的核函数进行了数值仿真。仿真结果表明,该核函数不但可以提高模型的精确度和有效性,而且可以提高模型的学习能力和泛化能力。最后,将基于该核函数的高斯过程建模方法用于矩形双频微带天线优化设计和WLAN双频单极子天线优化设计,进一步证明了这种方法是可行的和有效的。