Numerical Method Based on Compatible Manifold Element for Thin Plate Bending

The typical quadrangular and triangular elements for thin plate bending based on Kirchhoff assumptions are the nonconforming elements with low computational accuracy and limitative application range in finite element method(FEM). Some compatible elements can be developed by the means of supplementing correction functions, increasing nodes in element or on the boundaries, expanding nodal degrees of freedom(DOF), etc, but these elements are inconvenient to apply in practice for the high calculation complexity. In this paper, in order to overcome the defects of thin plate bending finite element, numerical manifold method(NMM) was introduced to solve thin plate bending deformation problem. Rectangular mesh was adopted as mathematical mesh to form finite element cover system, and then 16-cover manifold element was proposed. Numerical manifold formulas were constructed on the basis of minimum potential energy principle, displacement boundary conditions are implemented by penalty function method, and all the element matrixes were derived in details. The 16-cover element has a simple calculation process for employing only the transverse displacement cover DOFs as the basic unknown variables, and has been proved to meet the requirements of completeness and full compatibility. As an application, the presented 16-cover element has been used to analyze bending deformation of square thin plate under different loads and boundary conditions, and the results show that numerical manifold method with compatible element, compared with finite element method, can improve computational accuracy and convergence greatly.     

机器学习在软件测试用例集优化生成中的应用

软件测试用例集生成是软件测试中的重要环节。如何优化软件测试用例集,有效提高软件测试用例集的质量,已成为提高软件测试效率的主要手段。机器学习是解决这类问题的有效方法,目前也取得了许多重大的成果。本文对机器学习在软件测试用例集优化生成中的国内外研究现状及存在问题进行了分析,并在此基础上对机器学习与软件测试用例优化结合的发展趋势提出了看法。     

基于分形维和局部切空间均值重构的非线性降噪方法

基于主流形识别的非线性降噪方法中,约简目标维数选择随意和相空间数据在降维、全局排列和反求过程中可能畸变,使得降噪效率和效果降低。针对此问题,提出一种新的基于分形维和局部切空间重构的降噪算法。将主流形识别降噪通过仿射变换求解全局低维主流形的过程,变为对局部切空间低维坐标进行全局均值重构直接获取降噪后的全局相空间信号,并用分形几何方法估计信号的本征维数,以此作为主流形提取时的约简目标维数,在此维数空间之外的向量数据作为噪声进行消除。对混沌含噪信号和风机振动信号的降噪实验表明本文方法具有更好的降噪效果。     

基于局部特征提取的有监督的流形学习方法

为了提高工业产品的质量,提出一种基于局部特征提取的有监督的流形学习方法,用于工业生产过程中工艺参数的调整和优化。利用“多类邻域搜索”策略对每个样本点寻找邻域矩阵,对邻域矩阵进行特征分解,获得每个样本点的演化矢量,进而可以求得潜含在数据内部的主流形。另一方面,利用训练样本建立基于支持矢量数据描述的监控模型,对工艺过程进行监控。当发现异常样本时,将异常样本在主流形方向上进行投影,可以得到各个工艺参数的调整量,由此可将异常样本调控回到生产受控状态。利用IF钢实际生产过程数据进行验证,结果表明：新方法能有效提取出数据内部的流形结构,并通过主流形实现对工艺参数的调整,为实际生产过程提供了一种新的工艺参数优化方法。     

基于几何特征与流形距离的锂电池健康评估

作为实现电池健康管理的有效途径,精准的荷电状态估计和健康衰退状况评估能够很好的解决锂离子电池在实际使用过程中面临的可靠使用和安全管理问题。 考虑到现有电池健康衰退状况评估方法将监测数据放在欧氏空间进行分析,因而扭曲了数据的本质结构导致工况适用性差,利用流形学习挖掘隐藏在电池监测数据中的健康信息,并在流形空间中对锂离子电池健康状态进行度量。进行实例分析并对该方法的有效性进行了验证。     

基于半监督拉普拉斯特征映射的故障诊断

针对有标记故障样本不足和故障数据高维非线性的问题,提出了基于半监督拉普拉斯特征映射（LE）算法的故障诊断模型。该模型运用LE算法,直接从原始高维振动信号中提取低维流形特征,并将其输入到基于LE的半监督分类器,从而识别出机械设备的运行状态。与传统方法相比,该模型能明显提高滚动轴承和齿轮的故障识别性能。     

利用骨架模型和格拉斯曼流形的3D人体动作识别

为了通过几何特征的有效方法描述人体骨骼运动,构建3D人体动作识别系统,提出一种基于3D骨骼关节空间建模方法。首先,使用自回归和移动平均模型（ARMA）描述每个随着时间变化的运动轨迹,成功捕捉了时空动态运动信息。同时,将该模型的观察矩阵生成的子空间作为格拉斯曼流形中一个点;然后,通过学习控制切线（CT）描述每个类的均值,映射学习过程中的观察变量到所有CT形成局部切丛（LTB）,LTB流形数据点可直接在分类器上完成分类;最后,提出的方法使用SVM分类器完成训练和分类。MSR-action 3D、Weizmann和UCF-Kinect三个数据库的实验结果验证了该方法的有效性,与几种基于深度数据的算法相比,该方法获得了最高的识别率,在延迟性方面的性能也表现最优,当帧数为30时,识别率达到97.91%,在延迟较高时,可达到期望识别率。     

基于边界检测的多流形学习算法*

已知流形学习算法都假设数据分布于一个单流形,而现实中大部分数据都分布在多流形上,因此限制算法的实际应用.基于此种情况,文中提出基于边界检测的多流形学习算法,通过检测流形的边界处理分布于多流形的数据,并且可以较好地保持流形内、流形间的测地距离.算法首先检测流形边界,再分别降维处理各流形,最后将各低维坐标重置于一个全局坐标系中.在人工数据集和真实数据集上的对比实验表明文中算法的可行性和有效性.     

基于近邻元分析的半监督流形学习算法*

现有的大多数流形学习算法偏重保持流形的几何结构,并未考虑到样本点的标签信息,这在一定程度上限制了流形学习算法在数据分类中的应用.因此文中提出一种基于近邻元分析的半监督流形学习算法,采用近邻元分析学习距离度量矩阵,在距离度量方式下选择样本点的局部邻域点.基于距离度量方式构造样本点和邻域点的局部几何结构,并在样本点的低维嵌入坐标中保持这种局部几何结构不变.3个不同数据集上的分类实验验证了文中算法的有效性.     

颜色共生矩阵的Fisher信息度量及识别应用

基于多项流形的黎曼几何,提出一个在矩阵流形框架下度量颜色共生矩阵信息差异并将其应用于目标识别的新方法。对于给定的颜色量化水平和每个像素局部邻域,该方法将一幅彩色图像的任意两个颜色通道中共生的颜色建模为一个潜在的多项分布的概率实现。通过基于紧化的共生频率嵌入,可将每幅图像等同为一个积矩阵流形上的一点,其中每个因子流形被赋予了从对应的多项流形上诱导的Fisher信息距离度量。对于一个识别任务,测试样本与训练样本间的匹配通过先在每个因子流形上使用最近邻分类器进行标签预测然后在积流形上进行多数投票完成。在GT彩色人脸库和COIL-100目标库上获得的出色的识别效果验证了该方法的有效性。