B样条类曲线及其在曲线参数化中的应用

从B样条基函数出发,通过参数变换,导出B样条函数类的概念,讨论了它们的性质.给出B样条类曲线和附加权因子的B样条类曲线的理论,研究了它们与B样条曲线的关系.提出B样条曲线重新参数化因子的概念,探讨通过基函数的重新参数化实现B样条曲线的重新参数化的方法.结果表明,该方法具有较好的通用性以及计算简单、便于操作等特点.     

低速直驱永磁同步电机的电磁场有限元分析

多极永磁同步电机在产生低速机械运动的同时提高转矩密度,并且具有较大的负载范围,从而可以直接驱动机械负载,以替代传统电机配合减速器和液力耦合器的驱动方式,摒弃了复杂冗重的减速机构.利用Ansoft/Maxwell 2D建立永磁同步电动机的有限元模型,通过拓扑形式的Modular定子结构绕线方式,对电机进行有限元分析,探究不同气隙长度对低速永磁同步电机磁通密度分布与动态转矩等其他性能的影响.     

改进的CKF算法及其在BDS/INS中的应用

针对标准容积卡尔曼滤波(CKF)在组合导航系统模型不确定情况下滤波精度下降甚至发散的问题,将奇异值分解(SVD)与CKF算法相结合,并引入强跟踪滤波(STF)理论,提出一种改进的强跟踪SVD-CKF算法.为提高数值计算的稳定性,采用SVD代替标准CKF中的Cholesky分解;引入STF理论框架,通过渐消因子对预测误差协方差阵进行在线修正,在系统模型不确定或系统发生大的突变时,能够提高系统的强鲁棒性.通过仿真结果验证了改进算法的有效性.     

基于克里金空间插值的位置指纹数据库建立算法*

为解决室内定位系统中建立位置指纹数据库工作量庞大的问题,提出了一种融合信号衰减因素的普通克里金空间插值建库算法。该方法首先采用高斯滤波对有限预选参考点的信号强度采样数据进行预处理,并基于球状模型由参考点预处理数据拟合出空间变异函数,然后采用普通克里金插值法对其它位置的信号强度进行估值并生成相应的位置指纹,最后由有限实测数据生成大容量高分辨位置指纹数据库,并通过KNN_Filter算法和对数权重算法完成了定位仿真,验证了该建库方法的有效性。仿真实验结果表明,该算法在保证定位精度的前提下相比传统建库方法可降低40%左右的工作量,提高了室内位置指纹定位方法的工作效率。     

基于R型聚类-因子分析的指标体系简化方法

评价指标体系过于复杂,容易产生冗余信息,增加计算与分析的难度.本文针对评价指标体系的简化方法展开研究,提出了基于R型聚类-因子分析的代表元提取方法.该方法具有定量控制代表元的信息丢失率、代表元实际含义易于解释等优点,同时避免了因子分析难以处理独立指标的问题.实验结果表明本文所提出的R型聚类–因子分析指标体系简化方法可以在没有先验知识可用的情况下,有效提高指标体系的简明性与有效性,同时保持指标信息的完备性.     

IPI:一种基于影响力和兴趣的链接预测算法

链接预测的一个关键问题在于如何合理高效地结合链接属性、节点属性等相关信息以用于预测的目的,针对该问题提出了一种基于节点影响力和兴趣的链接预测算法IPI(Influence Plus Interest),即通过拓扑结构信息来量化用户的影响力,通过文本信息来模拟用户兴趣.结合两类信息对节点间的联系进行打分,得分高的节点对即代表具有较强的联系.在真实数据集上的实验表明,我们提出的方法具有一定的可行性.     

基于时间和影响力因子的Github Pull Request评审人推荐

开源社区github提供了pull request的机制让开发者可以把自己的代码集成到github的开源项目中从而为项目做出贡献.Pull request的代码评审是github这类分布式软件开发社区维护开源项目代码质量的非常重要的方式.为一个新到来的pull request指派合适的代码评审人可以有效减少pull request从提交到开始审核的延迟.目前github是由项目核心成员人工来完成评审人的指派,为了减少这种人力损耗,我们提出代码评审人的推荐系统,该系统基于信息检索的方法,并考虑了评审人的影响力因子以及评审的时间衰减的因素,对新到来的pull request,自动推荐最相关的评审人.我们的方法对top 1的准确度达到了68%,对top 10的召回率达到了78%.     

高校学生恋爱影响因素的累积Logistic回归分析模型

高校学生恋爱对其自身学习与成长有很大的影响,为了帮助大学生树立积极向上的恋爱观。本文通过对我国10所高校500份“高校学生恋爱调查报告”所获数据的Pearson相关性分析,引入恋爱疏远度来表示恋爱双方的感情程度。在分析各单因素对恋爱疏远度影响的基础上,建立综合因素下高校学生恋爱影响因素的累积Logistic回归分析模型,并通过模型确定出影响高校学生恋爱的两个重要因素。     

结合初始中心优化和特征加权的K-Means聚类算法

为了提高传统K-Means聚类算法的聚类准确性,提出一种结合初始中心优化和特征加权的改进K-Means聚类算法。首先,根据样本特征对聚类的贡献程度获得初始特征权重,构建一种加权距离度量。其次,利用提出的初始聚类中心选择方法获得k个初始聚类中心,并结合初始特征权重进行初步聚类。然后,根据聚类精度来调整特征权重并再次执行聚类过程。重复执行上述过程直到聚类精度不再变化,获得最终的聚类结果。在UCI数据库上的实验结果表明,与现有相关K-Means聚类算法相比,该算法具有较高的聚类准确性。     

一种改进的猴群算法

猴群算法是一种新的群体智能优化算法,该算法可以有效地求解线性、非线性、非凸和复杂高维函数的优化问题,目前已得到了许多学者的研究和关注.为了进一步提高猴群算法的求解精度,给出了一种改进的猴群算法.首先,采用均匀分布的Kent混沌映射产生猴群算法的初始可行解.然后,在该算法的爬过程中采用递减的因子作为爬步长.最后,在仿真实验中,与已有方法进行比较,结果显示了所给改进猴群算法的求解精度明显得到改善,即所提算法是可行的.