基于支持向量机的鲁棒波束形成

针对传统的最优波束形成对基阵的微小扰动非常敏感,使得最优波束形成器在导向向量存在误差时性能下降。为了改善最优波束形成器的鲁棒性,在对基于结构风险最小化原理的支持向量机(Support Vector Machine,SVM)算法分析的基础上,通过纳入附加的不等式约束来修改传统的线性约束最小方差价值函数,提出基于支持向量机的鲁棒波束形成方法。同时,为了减轻二次规划技术所带来的高计算成本,凸优化过程采用迭代重加权最小二乘算法来实现。与传统的最优波束形成算法相比,新方法能够提高最优波束形成对误差的鲁棒性。数值仿真实验表明:在无失配的理想情形和有失配的实际情形下,基于支持向量机的波束形成算法在期望信号阵列响应误差方面增加了鲁棒性,特别是在高信噪比或干扰信号数目较多的情况下,取得了满意的效果,为提高波束形成器的鲁棒性提供了一种新的有效途径。     

一种时域鲁棒极点配置的改进方法

通过一个修正指标Ｋｙ,优化ｔｒ（Ｉ－ｘ＾Ｔｘ」＾２,从而获得满足Ｋ∈「０,１」的最优反馈阵。     

弹性地基加劲板动力分析

采用ＢＥＭ－ＦＥＭ耦联方法,将弹性地基加劲板分为弹性地基薄板和结合梁（格栅）两部分,弹性地基薄板部分用无奇点边界元法（ＢＥＭ）处理,而格栅用有限元法（ＦＥＭ）处理,分别建立各自的方程。然后根据板与梁之间２的平衡和协调条件加以耦合,导出弹性地基加劲板的自报特征方程同,从而求解各阶频率和振型。本方法适用于任意形状、任意边界条件以及非均匀地基上的加劲板,且精度良好。     

济宁煤田金乡勘探区岩浆岩的侵入特征以及对煤层的影响

本文在收集大量的第一手资料基础上,对金乡勘探区岩浆岩种类,分期,侵入范围以及山西组和太原组含煤地层侵入程度进行了研究,揭示了由于岩浆岩的侵入破坏了煤层的连续性和完整性以及对煤质的影响程度,为矿井设计和生产提供依据。     

上半平面极限映射的广义M集

目的为了对上半平面极限映射的参数空间进行有效划分,构造出了相应的广义M集.方法运用最优化理论中的步长加速算法,求解在选定参数下使得映射Jacobin矩阵的行列式值为零的点作为动力平面上的初始迭代点集,考察这个初始迭代点集中各点轨道的李雅普诺夫指数值,构造上半平面极限映射的广义M集,并进一步对其按相应的动力学特性的最大周期数进行周期区域划分.结果通过在这种广义M集上选取参数,可以大量生成内部结构各异的具有上半平面极限对称特性的广义充满Julia集及相应的方极限图案.结论运用步长加速算法构造的上半平面极限映射的广义M集实现了对参数空间的有效划分.     

MES与PCS集成方法的研究与应用

介绍了制造执行系统（MES）与过程控制系统（PCS）的功能,从系统结构平台设计、通信规范、系统安全等角度提出了MES与PCS的集成方法,使上层管理信息与底层控制信息连成一体,并成功应用于新钢厚板产线,满足了按订单生产的要求．     

早龄期混凝土软化关系的数值分析

为得到合适的早龄期混凝土软化曲线,更好地研究混凝土早期性能,以早龄期混凝土基本力学性能试验及断裂性能试验为基础,借助有限元软件ABAQUS对早龄期混凝土I型开裂进行了数值模拟. 通过对混凝土3点弯曲梁断裂过程数值模拟结果与试验结果的分析,总结了双线性软化曲线模型与非线性软化曲线模型的优缺点,并在此基础上提出一种新的软化曲线模型--混合型软化曲线模型. 数值计算结果与试验结果表明,混合型软化曲线模型可以准确地描述混凝土的开裂软化行为,分析混凝土的断裂性能.
     

微波改性吸附剂的低浓度SO2吸附模型研究

以精炼炉渣和粉煤灰为原料,采用微波改性工艺制作吸附剂,研究改性吸附床层高度、流速和入口浓度等因素对穿透曲线的影响,并提出了改性吸附剂固定装置吸附过程的简化数学模型。结果表明,改性吸附剂的计算值与试验值相吻合,说明所采用的模型具有一定的准确性。     

基于灰度共生的多线索目标联合优化跟踪

为了提高跟踪算法对多种目标表观变化场景的自适应能力与跟踪精度,提出一种基于灰度共生的多线索目标联合优化跟踪算法。该算法首先提取目标灰度信息,通过灰度共生的高区分度特征对目标进行二元超分描述,结合三阶张量理论融合目标区域的多视图信息,建立起目标的三维在线表观模型,然后利用线性空间理论对表观模型进行双线性展开,通过双线性空间的增量学习更新,降低模型更新时的运算量。通过二级联合跟踪机制对跟踪估计进行动态调整,以避免误差累积出现跟踪漂移。与典型算法进行多场景试验对比,表明该算法能有效地应对多种复杂场景下的运动目标跟踪。     

高校科研团队知识共享激励策略分析

高校科研团队要实现知识共享,需要建立有利于知识共享的有效激励机制。文章结合高校科研人员知识共享动因的调查结果和人力资源的激励理论,从精神激励、物质激励和文化激励三方面提出促进高校科研团队成员知识共享的具体策略。