高保压液压缸组合密封仿真分析与装配精度控制研究

针对断路器液压操纵机构液压缸组件密封问题,开展了高保压液压缸组合密封仿真分析与装配精度控制研究,提出了一种基于油膜厚度的密封配合精度计算方法。利用弹性流体动力润滑理论计算出典型液压动密封的流体膜厚、泄漏量与黏性摩擦力以评估动密封性能,通过结构非线性有限元计算出的密封接触压力拟合出弹性润滑理论中密封处油膜压力,并使用一维稳态雷诺方程逆解建模以获得有限元接触压力和油膜厚度之间的关系,最终通过选配方法在精密偶件装配中进行了控制,并通过数值仿真与实验相结合来验证该方法的有效性。     

高海拔隧道冬季施工应急预案研究

因国民经济发展和国防需要,不少高海拔区域隧道工程不得不在冬天施工,作业环境恶劣,容易导致人员伤亡和工程事故.该文针对我国高海拔隧道冬季施工特点,对高海拔隧道冬季施工应急预案开展了研究.依据国家相关法律、法规、标准和有关规定,建立项目组高海拔隧道冬季施工应急救援体系.充分考虑天气造成的不利条件和高海拔隧道冬季施工环境,总结高海拔隧道冬季施工风险,提出了防雪灾、施工便道除雪防滑、防强风、混凝土低温施工、管线防护、机械防冻和人员高原反应的针对性应急处置措施.研究成果可以有效提高高海拔区域隧道冬季施工时施工队伍的应急响应能力和协同救援效率.     

α混合样本下多核正则分类器的学习速率

给出了Tikhonov正则算法的多核正则分类器在α混合样本下的错分误差的界.利用α混合样本的Bernstein不等式,得到了α混合样本情况下的两个相关结果,然后将这两个结果应用到误差分解,并得到学习速率的估计.     

随机多粒度标记序决策系统的最优粒度选择

传统随机信息系统的属性一般只有一个粒度层面，即系统中的每一个对象在每一个属性上取唯一的值，而在实际应用中，人们往往需要从不同的粒度层面去获取知识.实际生活中数据集的一个对象在同一个属性上根据不同的粒度可以取不同值.针对多粒度数据集的知识获取问题，本文讨论随机多粒度标记序信息(决策)系统的最优粒度选择问题.首先，通过优势关系给出随机多粒度标记序信息系统的信息粒表示，进一步定义由条件属性集导出集合的下近似与上近似，描述在不同标记下的信息粒的结构以及上、下近似的变化关系；其次，用证据理论的信任函数与似然函数来刻画随机多粒度标记序决策系统的两种最优粒度；最后，给出协调和不协调随机多粒度标记序决策系统的最优粒度选择算法.     

线性时滞系统前馈-反馈次优控制: Taylor 级数法

研究线性时滞系统最优控制的前馈反馈近似设计问题.基于Taylor级数法,将系统的二次型最优控制问题转化为线性代数方程组的求解问题,给出了系统前馈反馈次优控制律的存在唯一性条件和Taylor级数表示形式.仿真算例验证了方法的有效性.     

多项式函数的神经网络逼近: 网络的构造与逼近算法

该文作者先用构造性方法证明：对于给定的r阶多项式函数，可以具体地构造出一个三层前向神经网络，以任意精度逼近该多项式，所构造的网络的隐层节点个数仅与多项式的阶数r和网络的输入个数s有关，并能准确地用r表达；然后，给出一个实现这一逼近的具体算法；最后，给出两个数值算例进一步验证所得的理论结果．该文所获得的结果对前向神经网络逼近多项式函数类的网络具体构造以及实现逼近的方法等问题具有较为重要的指导意义．     

约简数据集的支持向量分类机算法

支持向量机是当前智能计算研究领域的热点之一。基于支持向量机的大样本学习一直是一个非常具有挑战性的研究课题。对于分类问题给出一种基于相似度的约简数据集的方法。给出的新算法大大地减少了训练样本的数目和所求解的支持向量机算法的规模,有效地加快了支持向量机算法的训练速度。仿真实验表明：新算法较为简单、实用。     

构造前向神经网络逼近多项式函数

首先用构造性的方法证明:对于任意的n阶多元多项式函数,可以构造一个三层前向神经网络以任意精度逼近该多项式,所构造网络的隐层节点个数仅与多项式的维数d和阶数n有关.然后,我们给出实现这一逼近的具体算法.最后,给出两个算例进一步验证所得的理论结果.本文结果对神经网络逼近多元多项式函数的具体网络构造以及实现这一逼近的方法等问题具有指导意义.     

基于三重交互关注网络的医学图像分割算法

深度学习由于强大的特征提取能力,在克服类不平衡问题上具有一定优势,但分割精度和效率仍需提升.针对此问题,文中提出基于三重交互关注网络的医学图像分割算法.设计三重交互关注模块,并嵌入特征提取过程,通过对特征的通道维度和空间维度联合关注,充分捕获跨维度交互信息,有效聚焦重要特征,突出目标位置.此外,采用像素位置感知损失,进一步缓解类不平衡影响的作用.在医学图像数据集上的实验表明文中算法性能较优.     

基于残差边卷积的3D点云分类算法

3D点云的不规则性与无序性使点云的分类仍具有挑战性.针对上述问题,文中设计基于残差边卷积的3D点云分类算法,可直接从点云学习到具有区分度的形状描述子,用于目标分类.首先,设计具有残差学习的边卷积模块,用于点云的特征提取.通过K近邻算法,该边卷积模块在输入点云上构建局部图,使用卷积及最大池化进行局部特征的提取与聚合.然后,通过多层感知器从原始点特征中提取全局特征,并以残差学习的方式与局部特征结合.最后,以该卷积块为基本单元,构建深度神经卷积网络,实现3D点云的分类.文中方法较全面地考虑点云局部特征与全局特征的有机结合,网络具有更深层次的结构,最终得到的形状描述子更抽象,具有更高的区分度.在具有挑战性的ModelNet40、ScanObjectNN数据集上的实验证实文中方法的分类性能较优.