基于卷积神经网络的正则化方法

正则化方法是逆问题求解中经常使用的方法.准确的正则化模型在逆问题求解中具有重要作用.对于不同类型的图像和图像的不同区域,正则化方法的能量约束形式应当不同,但传统的L1,L2正则化方法均基于单一先验假设,对所有图像使用同一能量约束形式.针对传统正则化模型中单一先验假设的缺陷,提出了基于卷积神经网络的正则化方法,并将其应用于图像复原问题.该方法的创新之处在于将图像复原看作一个分类问题,利用卷积神经网络对图像子块的特征进行提取和分类,然后针对不同特征区域采用不同的先验形式进行正则化约束,使正则化方法不再局限于单一的先验假设.实验表明基于卷积神经网络的正则化方法的图像复原结果优于传统的单一先验假设模型.     

螺栓结合面微观接触特性的不确定性量化

针对螺栓结合面微观接触特性具有不确定性，传统基于确定性理论建立的模型难以完整表征结合面微观接触特性的问题，提出了一种基于蒙特卡洛法的螺栓结合面微观接触特性的不确定性量化方法。首先，基于分形理论，表征了同一粗糙度结合面微凸体轮廓高度，并采用矩谱法求解了结合面表面形貌参数区间；其次，利用中心极限定理，将表面形貌参数区间变为符合微凸体轮廓高度分布的高斯分布函数，解决了随机抽样误差的累加造成的置信水平降低；最后，将表面形貌参数的不确定性嵌入蒙特卡洛法，获得了结合面接触特性的区间估计，通过对比分析揭示了考虑不确定性因素时接触间隙对接触特性的影响规律。研究表明，表面形貌参数的不确定性对螺栓结合面接触特性变化具有显著影响，并导致不确定性的影响不断累加。该方法为准确量化螺栓结合面的不确定性提供了理论依据与参考。