共查询到19条相似文献,搜索用时 62 毫秒
1.
随机有限元-最大熵法 总被引:3,自引:0,他引:3
本文提出一种用于结构可靠性分析的随机有限元-最大熵法。它是利用随机有限元法计算结构响应量的前几阶矩,然后利用最大熵法拟会响应量的概率分布,据此算出结构的失效概率。此法具有精度较高、计算量较小的优点。 相似文献
2.
3.
4.
用基于属性约简的粗集理论找出条件属性的最小属性集.对属性间为不确定因果关系的模式,计算在最大熵情况下发生的概率,通过比较概率来进行模式识别.实例分析和结论部分说明这种方法是有效的. 相似文献
5.
6.
基于最大熵原则和灰度变换的图像增强 总被引:3,自引:0,他引:3
提出了一种利用最大熵原则和灰度变换进行图像对比度增强的方法.在最大熵原则基础上利用条件迭代算法对图像灰度级进行最佳分类,对各分类区域进行相应的灰度变换,根据不同需要选取变换参数,在图像对比度增强同时各区域均衡性也得到很大改善.将利用条件迭代算法计算最大熵多阈值的方法与最小均方误差(LMSE)计算多阈值的方法进行比较,实验结果表明,文中所用方法在迭代次数上大大低于基于最小均方误差算法所需迭代次数,节省了图像处理时间,图像均衡化效果也相对提高. 相似文献
7.
估算测量不确定度的一种最大熵原理 总被引:2,自引:0,他引:2
测量不确定度是表征被测量的真值处在某个量值变化范围的一个标志。它是评定测量质量的一个极其重要的指标,所以测量不确定度的估算方法是至关重要的。根据国际计量委员会的建仪书INC—1(1980),A类不确定度用统计方法由测得值计算得到,并用标准偏差来表示。B类不确定度只能用经验或依靠其他已知条件来估算,其数值用近似标准偏差u_i表示: u_i=L_i/K_i (1)式中,L_i表示第i个误差因素引起的误差限(—L_i,L_i),K_i,为相应分布曲线的置信因子。如果已知误差的概率分布,则置信因子很容易求得,但困难的是有些误差的概率分布不知道。有些随机误差往往只能从多次测量中估计 相似文献
8.
基于矢量空间模型和最大熵模型的词义问题解决策略 总被引:2,自引:0,他引:2
针对单义词的词义问题构建了融合触发对(trigger pair)的矢量空间模型用来进行词义相似度的计算,并以此为基础进行了词语的聚类;针对多义词的词义问题应用融合远距离上下文信息的最大熵模型进行了有导词义消歧的研究。为克服以往词义消歧评测中通过人工构造带有词义标记的测试例句而带来的覆盖程度小、主观影响大等问题,将模型的评测直接放到了词语聚类和分词歧义这两个实际的应用中。分词歧义的消解正确率达到了92%,词语聚类的结果满足进一步应用的需要。 相似文献
9.
10.
11.
研究具有自由需求分布的单周期问题。建立基本库存模型,给出期望利润表达式,运用极大熵准则确定需求的最可几分布,从而建立单周期产品库存模型,并得出最优订货批量。利用算例将该模型与Scarf订货规则和正态分布假设进行比较。结果表明,基于极大熵准则的库存模型能够获得更多的期望利润。 相似文献
12.
为了提高测量不确定度评定的精度,采用最大熵区间分析方法。首先通过贝叶斯模型结合最大熵算法建立模型;接着对输入量样本信息下限和上限区间的不对称性进行分析,引入Jaynes熵以及引入拉格朗日量得出最短区间;考虑了输入量的不确定度随概率分布的传递过程,最后对输入量样本信息通过划分区间比值来确定被测量的不确定度评定。实验仿真显示该算法计算测量不确定度的区间较小,评定结果更为精确。 相似文献
13.
14.
A numerical optimization method was proposed time ago by Templeman based on the maximum entropy principle. That approach combined the Kuhn-Tucker condition and the information theory postulates to create a probabilistic formulation of the optimality criteria techniques. Such approach has been enhanced in this research organizing the mathematical process in a single optimization loop and linearizing the constraints. It turns out that such procedure transforms the optimization process in a sequence of systems of linear equations which is a very efficient way of obtaining the optimum solution of the problem. Some examples of structural optimization, namely, a planar truss, a spatial truss and a composite stiffened panel, are presented to demonstrate the capabilities of the methodology. 相似文献
15.
16.
This paper presents a novel application of metaheuristic algorithms for solving stochastic programming problems using a recently developed gaining sharing knowledge based optimization (GSK) algorithm. The algorithm is based on human behavior in which people gain and share their knowledge with others. Different types of stochastic fractional programming problems are considered in this study. The augmented Lagrangian method (ALM) is used to handle these constrained optimization problems by converting them into unconstrained optimization problems. Three examples from the literature are considered and transformed into their deterministic form using the chance-constrained technique. The transformed problems are solved using GSK algorithm and the results are compared with eight other state-of-the-art metaheuristic algorithms. The obtained results are also compared with the optimal global solution and the results quoted in the literature. To investigate the performance of the GSK algorithm on a real-world problem, a solid stochastic fixed charge transportation problem is examined, in which the parameters of the problem are considered as random variables. The obtained results show that the GSK algorithm outperforms other algorithms in terms of convergence, robustness, computational time, and quality of obtained solutions. 相似文献
17.
对车辆起步加速和减速滑行时的非平稳振动进行了实验,在此基础上用Burg快速算法对实验数据进行极大熵谱分析。与传统的FFT相比极大熵谱法具有频率分辨率高,适于短时瞬态数据处理,而且能给出振动幅值与频率和时间三者的关系。分析结果表明:在沥青路面和砂石路面上加速时,地板、车桥加速度三维极大熵谱峰值随着车速的增加非连续增加,车桥的共振峰带宽随着车速的增加变宽;车辆减速滑行时极大熵谱峰值基本连续减小,并能反映地面的瞬时突变激励。 相似文献
18.
马氏过程的随机库存路径问题模型与算法 总被引:1,自引:0,他引:1
考虑到随机需求库存路径问题(Inventory Routing Problem,IRP)本身所具有的马尔可夫、随机等特性,从其现实意义出发,将IRP描述为一个马尔可夫决策过程(Markov decision process,MDP).在运用非线性背包问题的求解方法得到初始策略并构成直接配送线路的基础上,提出一种本地搜索算法对其进行优化.通过实例演算.结果表明了该算法的实用性和有效性. 相似文献