基于数据学习的结构静力学性能预测方法

针对目前机械结构优化中建立预测模型代价较高的问题,提出了一种基于数据学习的结构静力学性能预测方法.以悬臂梁为研究对象,建立有限元仿真模型以获取位移场数据,构建边界条件-位移场代理模型,预测结果表明位移场分布趋势与实际一致,载荷为1000 N和1600 N时最大位移相对误差分别为-0.02％和-0.47％.文中讨论了均布...     

一种快速渐进式卷积神经网络结构搜索算法

手动设计卷积神经网络结构对专业性要求高、难度大。基于梯度可微的搜索快速高效,但这类方法存在深度鸿沟和稳定性较差的问题。提出一种结合渐进式搜索和贪心指标的快速渐进式结构搜索算法(FPNAS),通过渐进式扩展搜索阶段的结构,使得搜索阶段的网络结构逐渐接近评估阶段,避免深度鸿沟造成的影响。同时,通过运用贪心指标作为选边准则,增加搜索评估的相关性并提高搜索的稳定性。针对网络结构搜索算法消耗计算资源多的问题,提出渐进式划分数据集方法,通过分阶段不同比例的数据集划分来减少结构搜索的计算资源消耗。以准确率和搜索时间作为评价指标,将FPNAS与渐进式可微结构搜索算法和贪心搜索算法进行对比,实验结果表明,FPNAS搜索出的网络结构稳定性得到改进,搜索时间分别缩短0.19和0.14个GPU Days,在CIFAR-10数据集上精度最高达到97.7%。     

含曲率的水平集方程在非结构四边形网格上的数值离散方法

在非结构四边形网格上,含曲率的水平集方程采用伽辽金等参有限元方法空间离散,时间离散采用半隐格式．离散形成的线性方程组的系数矩阵是对称的稀疏矩阵,采用共轭梯度法求解．数值算例表明,在笛卡儿网格和随机网格上,含曲率的水平集方程离散格式可达到近似二阶精度．重新初始化方程的离散格式精度可达到近似一阶精度．给出了非结构四边形网格上不光滑界面以曲率收缩的运动过程．在不采用重新初始化的情况下,收缩过程未出现不稳定现象．     

非结构网格下曲线变形的水平集方法

采用基于非结构网格的水平集方法对曲线变形问题进行了数值模拟。通过度量函数最优化过程得到曲线变形的驱动方程,驱动方程中增加曲线曲率项对度量函数进行优化,空间上采用有限体积法求解水平集方程,时间上采用Runge-kutta显式方法,时间、空间均达到2阶精度。实验结果得到了高质量的过渡曲线,显示复杂几何拓扑形变可以理想地实现。     

基于Cosserat理论的微观结构对非均质材料有效性能的影响分析

为更有效地研究具有周期性微观结构的非均质材料平面应变问题,用基于Cosserat理论的渐进均匀化方法得到微观结构对非均质材料有效性能的影响情况．计算结果表明,单胞内夹杂体的形状对有效杨氏弹性模量、有效泊松比、有效Cosserat弹性常数和有效材料特征长度有影响,并且随着夹杂体与单胞体积比的增大而影响明显．     

基于流形结构神经网络的服装图像集分类方法

随着大规模时尚数据集的公开,基于深度学习的服装图像分类得到快速发展.然而,目前服装图像分类多数是在同一件服装具有单张的、正面或接近正面的图像的场景下进行分类,这导致了当视角发生变化时常出现服装图像误分类的情况,现实中服装具有的形变大、遮挡严重等特性进一步加剧了该问题.基于上述问题,提出了一种基于流形结构神经网络的服装图像集分类方法,利用流形空间更好地表示服装的内部结构特征.该方法选用多视角度服装图像集作为实验数据集,首先通过卷积神经网络提取服装图像集的浅层特征,再通过协方差池化将欧氏数据转换为流形数据,最后通过基于流形结构的神经网络学习服装图像集的内部结构特征,获取准确的分类结果.实验结果表明,所提方法在MVC数据集上的Precision、Recall和F-1指标可达到89.64％,89.12％和88.69％,与现有的图像集(视频)分类算法相比,其分别获得了2.04％,2.65％和2.70％的提升,该方法比已有算法更加准确、高效、鲁棒.     

静态软件缺陷预测方法研究

开源软件缺陷预测通过挖掘软件历史仓库的数据,利用与软件缺陷相关的度量元或源代码本身的语法语义特征,借助机器学习或深度学习方法提前发现软件缺陷,从而减少软件修复成本并提高产品质量. 漏洞预测则通过挖掘软件实例存储库来提取和标记代码模块,预测新的代码实例是否含有漏洞,减少漏洞发现和修复的成本. 通过对2000年至2022年12月软件缺陷预测研究领域的相关文献调研,以机器学习和深度学习为切入点,梳理了基于软件度量和基于语法语义的预测模型. 基于这2类模型,分析了软件缺陷预测和漏洞预测之间的区别和联系,并针对数据集来源与处理、代码向量的表征方法、预训练模型的提高、深度学习模型的探索、细粒度预测技术、软件缺陷预测和漏洞预测模型迁移六大前沿热点问题进行了详尽分析,最后指出了软件缺陷预测未来的发展方向.

     

非重复初始化水平集方法的图像轮廓检测

水平集方法(LevelSet Method)是一种用于计算曲线演化位置的有效方法。该文针对传统LevelSet Method进行图像检测中需要重复初始化水平集函数的缺点,研究了不需要重复设置水平集函数的图像检测方法.实验表明,该方法能更好的检测多目标图像轮廓。     

非重复初始化水平集方法的图像轮廓检测

水平集方法（Level Set Method）是一种用于计算曲线演化位置的有效方法。该文针对传统Level Set Method进行图像检测中需要重复初始化水平集函数的缺点,研究了不需要重复设置水平集函数的图像检测方法,实验表明,该方法能更好的检测多目标图像轮廓。     

一种自约束的小样本缺损图像分割方法

针对现有的图像分割技术在小样本量数据集上容易过拟合,不能有效分割缺损图像的问题,提出了一种自约束图像分割方法.首先,基于传统无监督水平集图像分割方法,提出一种可微分水平集层.第二,将可微分水平集层嵌入U-Net等有监督图像分割模型中,使得水平集方法对函数的拓扑约束,可以随着梯度反向传播过程,对卷积参数起到约束作用.实验结果表明,在MNIST和Fashion-MNIST简单数据集上,本文方法的分割准确率比CV等基于水平集的方法分别提升8.3%和11.7%,比U-Net等分割网络分别提升7.5%和15.6%;在背景复杂的Weizmann horse数据集上准确率较基于水平集的方法提高54.9%,较U-Net等分割网络提升13.4%,显示出本文方法在小样本缺损图像数据集上的有效性与鲁棒性.     

基于邻接格的规则集压缩方法

关联规则挖掘能使你们发现大量数据中项目集之间有趣的关联或相关关系,通过研究发现,用传统关联规则方法会生成大量包含重复意义的规则,这必然会对用户迅速做出决策产生干扰。该文提出了一种基于邻接格的规则集压缩方法,使生成的规则大大精化,从而提供给用户简洁紧凑的关联规则集。     

基于概念格的异构数据知识发现方法

基于概念格的知识发现方法已被广泛关注,同时也吸引了众多学者的研究兴趣,特别是决策形式背景的知识发现,近年来取得了一些重要的研究成果。然而,现有的知识发现方法在面临大数据环境时,缺乏可行性与有效性。考虑到异构性是大数据的主要数据特征之一,针对异构数据,研究了基于概念格的知识发现方法。具体地,提出了异构形式背景及其概念格,通过异构形式背景定义了异构决策形式背景,进一步在异构决策形式背景上讨论了规则提取问题,并给出了挖掘非冗余决策规则的有效算法。     

概念格的粗糙性质研究

研究由粗糙集形式的概念格,定义粗糙形式背景、粗糙概念,给出它们的性质,借助蕴涵算子研究上、下近似运算在粗糙形式背景中讨论了粗糙Galois连接.     

激光选区熔化工艺晶格支撑结构快速建模

针对激光选区熔化成型工艺中的支撑结构,提出一种晶格单元自动填充生成支撑 的快速建模方法。首先,分别对两种典型晶格支撑结构--杆架结构和孔隙结构的组成单元实 现参数化造型,并建立支撑结构数字化模型;其次,设计实现杆件单元和孔隙单元的造型算法; 最后,提出一种单元自然生长算法,实现对支撑空间快速填充。实例结果表明,晶格结构可以 对不同类型金属产品结构实现有效稳定支撑;相比实体材料,平均可以节省 72%的材料用量, 具有重要的工程意义。     

基于矩阵格的BIBD-LDPC码构造方法

针对目前采用传统方法构造（3,m）LDPC码时会产生大量陷阱集的问题,以矩阵格（Rectangular lattices,RL）为基础提出了一种消除基本陷阱集的（3,m）QC-LDPC码的改进构造方法。通过分析矩阵格中基本陷阱集与斜率的关系,选取合适的斜率满足相应的约束条件以避免基本陷阱集的出现;同时,改进方案中的校验矩阵采用准循环结构,降低了LDPC码编译码复杂度。在AWGN信道中的仿真实验结果表明,本文提出的码字构造算法可以有效地降低LDPC码的错误平层。     

粗糙模糊集的格论性质

Let U denote a finite and nonempty set called the universe, and P(U) a power set. Suppose R is an equiva-lence relation on U. Consider the equivalence relation ≈ (X≈Y←→^-RX=^-R and RX=RY, X,Y, ∈ F(U)) on F(U),the quotient set denoted by F(U)/≈. In this paper we show that F(U)/≈ is a distributive lattice.     

格网法地形修测方法——以长沙市望城区为例

以长沙市望城区为例，探讨格网法修测地形的模式。     

膜结构找形分析中的混合法

在膜结构设计过程中一个很重要也是不可或缺的过程就是找形分析.常用的找形方法有力密度法、动力松弛法和非线性有限元法.力密度法原理简单但找形结果往往不能满足精度要求;非线性有限元法结果精度高但存在确定初始坐标问题和非线性系统的收敛问题.针对力密度法和非线性有限元法的不足,在综合以上两种方法后得到了混合法对膜结构进行找形,并在Matlab和Ansys中编写了相应的程序模拟实现了混合法找形.结合两个实际工程说明了混合法找形可以应用于大型复杂柔性体系的找形,同时证明了混合法找形的先进性和可行性.     

基于矩阵蕴涵运算的格值模糊概念格构造方法

从矩阵角度对一类模糊概念格的构造方法进行了研究.以具体的格蕴涵代数作为刻画对象与属性间不确定性关系的取值域建立了格值模糊概念格;为了便于非数值间的计算,分别定义了矩阵合取运算、析取运算和蕴涵运算,并基于矩阵蕴涵运算给出了格值模糊概念格的构造方法;进而通过实例求出了对应的格值模糊概念格,验证了该方法的正确性.     

基于深度森林与异质集成的标记分布学习方法

作为一种解决标签模糊性问题的新学习范式, 标记分布学习(LDL)近年来受到了广泛的关注. 为了进一步提升标记分布学习的预测性能, 提出一种联合深度森林与异质集成的标记分布学习方法(LDLDF). 所提方法采用深度森林的级联结构模拟具有多层处理结构的深度学习模型, 在级联层中组合多个异质分类器增加集成的多样性. 相较于其他现有LDL方法, LDLDF能够逐层处理信息, 学习更好的特征表示, 挖掘数据中丰富的语义信息, 具有强大的表示学习能力和泛化能力. 此外, 考虑到深层模型可能出现的模型退化问题, LDLDF采用一种层特征重用机制(layer feature reuse)降低模型的训练误差, 有效利用深层模型每一层的预测能力. 大量的实验结果表明, 所提方法优于近期的同类方法.