关于有限单元法中数值积分公式的两点注记

在有限单元法中,尤其是在选用参数型单元时,广泛应用数值积分去导出单元的荷载列阵和劲度矩阵.而在三角形单元、三棱柱单元或四面体单元中,积分公式常常采用借助自然坐标表示的Hammer积分公式:     

二元数据子空间聚类算法的初始化研究*

针对二元数据空间高维稀疏性的特点而提出的有限混合伯努利模型,能够快速寻找映射簇的模型框架;EM算法是数学模型进行参数迭代的重要方法,其算法的优劣很大程度上取决于其初始参数。对于运用EM算法来实现有限混合伯努利模型聚类算法已有许多研究, EM算法中参数的选取直接影响聚类算法的性能。引入 Binning法和改变数据之间相似度测量方式、中心点的选取方式来进行初始化,从而大大减少聚类结果对初始参数的依赖,实验证明该算法是高效的、正确的。     

基于冲激脉冲的无线电波透视法仿真研究

针对传统的无线电波透视法获取信息量少及探测工作繁琐等问题,提出了一种基于冲激脉冲的时域脉冲式无线电波透视法;仿真分析了理想脉冲电磁波透过一定厚度的不同介质后在有限频带内的频率响应。仿真结果表明,基于冲激脉冲的时域脉冲式无线电波透视法具有更宽的频率范围,可增加提取的信息量,提高探测精度;不同介质的电性参数和吸收系数不同,对电磁波的吸收能力也不同,据此可分辨不同的地质构造。     

多波段多极化SAR遥感数据的二维周期介质模型

提出了SAR遥感数据的二维周期介质半空间理论模型。由于二维周期介质中电磁场的特征向量并不限于入射场的极化方向,因此可以考虑同种极化和交叉极化的散射。模型参数简单,适用范围广,数值模拟结果能较全面地反映多波段、多极化SAR遥感数据的特性。特别适合于利用种类比较有限的SAR遥感数据的地物参数反演问题。     

多波段多极化SAR遥感数据的二维周期介质模型

提出了 SAR遥感数据的二维周期介质半空间理论模型。由于二维周期介质中电磁场的特征向量并不限于入射场的极化方向 ,因此可以考虑同种极化和交叉极化的散射。模型参数简单 ,适用范围广 ,数值模拟结果能较全面地反映多波段、多极化 SAR遥感数据的特性。特别适合于利用种类比较有限的 SAR遥感数据的地物参数反演问题     

半解析高阶有限谱元法及其在波导介质层PBG结构滤波器优化设计中的应用

本文采用高阶有限谱单元对分层结构的横截面进行半解析离散．将结构中沿纵向均匀的区段视为子结构，运用基于Riccati方程的精细积分算法求出其出口刚度阵．网格拼装后即可对分层介质问题进行求解．半解析高阶谱单元的采用可以避免著名的龙格现象，该算法的数值精度能随着基函数的阶数的增加呈指数级提高．即高阶有限谱单元能够达到任意需要的精度．数值算例证明这种方法具有很高的精度与效率．在高精度高效率分析的基础上建立了滤波器的优化设计模型，利用遗传算法对优化模型进行全局优化，得到了PBG结构滤波性能全局最优的设计参数．     

具有未知参数的非线性系统动态优化

针对具有未知参数和不等式路径约束的非线性系统动态优化问题,提出一种新颖有效的数值求解方法.首先,将未知参数视为一个动态优化问题的决策变量;其次,利用多重打靶法将无限维的含未知参数动态优化问题转化为有限维的非线性规划问题,进而在不等式路径约束违反的时间段内,用有限多个内点约束替代原不等式路径约束;然后,用内点法求解转化后的非线性规划问题,在路径约束违反的一定容许度下,经过有限多次步数迭代后得到未知参数值的同时得到控制策略,并在理论上对所提出算法的收敛性进行相应证明;最后,对两个经典的含未知参数非线性系统的动态优化问题进行数值仿真以验证所提出算法的有效性.     

平面排列触觉传感器的有限元模型

有限单元法是分析机器人触觉传感器介质力学行为的最有效方法。本文将平面排列触觉传感器介质简化为一个有限体积的砖形模型，用三维有限元法计算了它不同形状平底压头作用的应变用计算结果绘出的应变等值线图清楚地描述了接触区的形状，对传感器设计者具有重要的参考价值。     

准静态侵入颗粒介质的底边界效应仿真分析

论文基于球形离散元方法研究颗粒介质的底边界效应,仿真刚体圆柱准静态侵入有限厚度颗粒介质直至底边界的过程,探究侵入物所受阻力与侵入深度间关系.结果表明,圆柱准静态侵入颗粒层至池底的阻力-深度曲线,前段呈类静水压力线性,接近底边界的后段呈类指数增长形式;在距底数个粒径范围内阻力存在波动,波长近似颗粒直径.与圆柱底固连的倒锥形固化区颗粒存在动态更新,侵入接近底边界时固化区瓦解,局部颗粒阻塞与疏通决定阻力增长趋势;圆柱底面以下的颗粒力链在接近底边界时转化为圆柱底与颗粒池底之间的“底-底”力链,力链受挤压后平均颗粒数的递减很好地解释了阻力振荡的波动性.     

用于二级优化的有限搜索算法

在计算机辅助逻辑设计理论中,最小项(零多维体)的相邻度是一个基本且十分有用的概念,一系列重要的二级优化算法都是以最小项相邻度概念为基础的.本文把最小项相邻度的概念推广到任意维多维体,定义了多维体方向集概念.并利用方向集概念成功地提出了优于张弛算法的二级优化算法:有限搜索法,即有限搜索法在造价优于张弛法的前提下,求取质蕴涵项的速度比张弛法快一到几个数量级,且有限搜索法扩展了张弛法的适用范围,可以综合输入变量大于20的布尔函数.     

The challenge of modelling supervisory systems using fuzzy cognitive maps

This paper examines fuzzy cognitive map (FCM) theory and its use in supervisory control systems. An FCM is a graph used to depict cause and effect between concepts that stand for the states and variables of the system. An FCM represents the whole system in a symbolic manner, just as humans have stored the operation of the system in their brains, thus it is possible to help man's intention for more intelligent and autonomous systems. FCM representation, construction and a mathematical model are examined; a generic system is proposed and the implementation of FCM in a process control problem is illustrated and a model for supervisors of manufacturing systems is discussed. Although an FCM seems to be a simple model of system behaviour, it appears to be a powerful and effective tool describing the behaviour of a system and representing the accumulated knowledge of a system.     

区间数的区间Ⅱ型模糊c均值聚类算法

针对区间数模糊c均值聚类算法存在模糊度指数m无法准确描述数据簇划分情况的问题,对点数据集合的区间Ⅱ型模糊c均值聚类算法进行拓展,将其扩展到区间型不确定数据的聚类中。同时,分析了区间数的区间Ⅱ型模糊c均值聚类算法的收敛性,以确定模糊度指数m1和m2的取值原则。基于合成数据和实测数据的仿真实验结果表明：区间数的区间Ⅱ型模糊c均值聚类算法比区间数的模糊c均值聚类算法的聚类效果好。     

Fuzzy C-means based support vector machine for channel equalisation

This paper proposes a new classification network, the fuzzy C-means based support vector machine (FCM–SVM) and applies it to channel equalisation. In contrast to a kernel-based SVM, the FCM–SVM has a smaller number of parameters while retaining the SVM's good generalisation ability. In FCM–SVM, input training data is clustered by FCM. The output of FCM–SVM is a weighted sum of the degrees where each input data belongs to the clusters. To achieve high generalisation ability, FCM–SVM weights are learned through linear kernel based SVM. Computer simulations illustrate the performance of the suggested network, where the FCM–SVM is used as a channel equaliser. Simulations with white Gaussian and coloured Gaussian noise are performed. This paper also compares simulation results from the FCM–SVM, the Gaussian kernel based SVM and the optimal equaliser.     

Robust fuzzy clustering-based image segmentation

The fuzzy clustering algorithm fuzzy c-means (FCM) is often used for image segmentation. When noisy image segmentation is required, FCM should be modified such that it can be less sensitive to noise in an image. In this correspondence, a robust fuzzy clustering-based segmentation method for noisy images is developed. The contribution of the study here is twofold: (1) we derive a robust modified FCM in the sense of a novel objective function. The proposed modified FCM here is proved to be equivalent to the modified FCM given by Hoppner and Klawonn [F. Hoppner, F. Klawonn, Improved fuzzy partitions for fuzzy regression models, Int. J. Approx. Reason. 32 (2) (2003) 85–102]. (2) We explore the very applicability of the proposed modified FCM for noisy image segmentation. Our experimental results indicate that the proposed modified FCM here is very suitable for noisy image segmentation.     

基于模糊聚类的缺损图像的边缘检测

模糊聚类算法(FCM)应用于数字图像的边缘检测已取得了较好的效果。通常情况下要进行检测的图像是完整的，但也存在边缘不完整或模糊的情况，这时原来的FCM算法就难以直接应用。该文提出了不完整数据的模糊聚类算法，对原FCM的算法公式进行了修正，并将其应用到局部域上有缺损的图像边缘检测中。实验结果表明，修正后的算法能较精确地恢复边缘缺损部分的信息，并实现其边缘检测。     

色彩量化的模糊粒子群优化技术

把粒子群算法应用到色彩量化中,结合已有的模糊C均值聚类量化方法,提出了一种基于粒子群优化的色彩量化算法。模糊C均值聚类量化算法是一种局部搜索算法,对初始值较为敏感,容易陷入局部极小值而不能得到全局最优解;PSO算法是一种基于群体的具有全局寻优能力的优化方法。将模糊C均值聚类量化算法和PSO算法结合起来,把模糊C均值聚类量化算法的聚类准则函数作为PSO算法中的粒子适应度函数。仿真实验表明,新算法在均方根误差和峰值信噪比评判准则下能够得到最优的量化结果。     

改进的模糊C均值的增量聚类算法

针对FCM算法的缺点,提出了一种基于改进的FCM的增量式聚类方法。该算法首先对模糊C均值算法进行加权,并将权系数归一化,然后将改进的算法与增量式聚类算法结合。改进的方法既提高了FCM算法的性能,避免了FCM算法的缺陷,并能够实现增量式聚类,避免了大量的重复计算,并且不受孤立点的影响。实验表明该算法的有效性。     

非局部降噪快速模糊C-均值聚类算法

传统的模糊C-均值聚类算法未利用图像的空间信息,在分割迭加了噪声的MR图像时分割精度较差。采用了既能有效去除噪声又能较好地保持图像边缘特征的非局部降噪方法,结合基于图像灰度直方图聚类分析的快速模糊C-均值聚类算法,得到了一种具有较高分割精度的图像快速分割算法。通过对模拟图像、仿真脑部MR图像和临床脑部MR图像的分割实验,表明提出的新算法比已有的快速模糊C-均值聚类算法有更精确的图像分割能力。     

基于Gibbs场与模糊C均值聚类的脑MR图像分割

模糊C均值聚类是一种经典的非监督聚类模型,已成功用于很多领域。但该算法对图像噪声比较敏感。为此,利用Gibbs理论和图像结构信息构造各向异性Gibbs随机场,并将其引入到FCM框架中,完善其分类效果,使其在克服噪声影响的同时还能够保持细长拓扑结构区域信息以及角点区域信息。应用于脑MR图像分割,实验表明新算法可以得到较好的分类结果。     

模糊C-均值(FCM)聚类算法的实现

传统的FCM算法能够将靠近边界的具有固有形状的两个簇合并成为一个大的簇.然而,对于一些稍微复杂的数据,如果没有其它的像去除小簇之类的机制的话,FCM算法很难将非常接近的类聚类到一起.给出的聚类算法是在传统FCM算法的循环之后添加了去除掉空簇的步骤,解决了上述很难将非常接近的类聚到一个簇中的问题.另外,为便于选出最优结果,在递归之后又添加了计算聚类有效性的步骤.最后用Java实现了该算法并在数据集上进行了实验,证实了改进方法的有效性.