铝合金车身框架制造中的热加工新技术

在分析铝合金空间框架结构的发展背景和应用前景的基础上，论述了铝合金空间框架结构制造中的几种新技术：内高压成形技术、触变铸造技术及激光焊接技术。着重介绍了这些新技术的原理、工艺特点及其在汽车工业中的应用现状。     

引线框架C194铜合金铸态组织和性能分析

研究了工业化不同生产试验批次的C194铜合金引线框架材料铸态组织和性能。结果表明C194的化学成分、加料顺序等因素对铸态晶内、晶界的球状第二相Fe3P或Fe2P的大小、分布均匀性有较大影响;添加剂对C194铸坯有明显的晶粒细化作用;其导电率达到14%～20%IACS,维氏硬度在95HV左右。     

分类响应限制的RFID防碰撞方法及应用

无线射频识别(RFID)在校园一卡通系统中已获得普遍使用.因为校园学生众多,情况比较繁杂,读写器碰撞与标签碰撞问题会导致较低的系统识别率,也将成为一卡通系统应用中的突出问题.针对此问题,对RFID防碰撞的动态帧时隙算法进行了改进,该算法通过分类响应限制标签个数,进而能够在标签数量很多的情况下提升系统的识别率,尤其适合应用在短时间内需要大量识别标签的校园一卡通应用环境中.仿真实验结果证明,该算法在短时间内进行大量RFID标签识别比传统时隙算法具有更高的效率.     

一种基于条件证据网络的多源异类知识融合识别方法

针对融合识别领域中不同框架下多源异类传感器的不确定证据信息无法有效融合的问题, 提出一种基于条件证据网络的多源异类知识融合识别方法. 该方法将战场协同作战中不同框架下多源异类传感器的领域知识统一在证据网络的结构下, 形成多源异类知识融合识别模型, 对多源异类传感器的不确定性证据信息进行基于条件证据网络的融合推理, 得到识别结果. 仿真实例验证了所提出方法的优越性.

     

面向二进制数据帧的聚类系统

为了分离复杂无线网络环境下获取到的二进制数据帧,为后续协议逆向解析提供前提条件,实现了对复杂协议簇协议的聚类系统.首先使用AC算法挖掘出二进制数据帧中的频繁序列特征;然后创新地使用了Apriori算法搜索分析这些特征的关联关系,并且结合二进制流数据帧的特点对结果进行了四步剪枝处理;最后利用筛选出的特征通过改进的K-means算法进行聚类.实验表明,该系统可以对二进制协议数据帧的聚类起到很好的效果,同时对存在TYPE字段的多层协议簇,还能进一步区分出多种协议间的层次关系.     

广义相似距核视频关键帧分层提取算法*

针对视频镜头关键帧特征提取矩阵可能尺寸大小不一致导致相似度无法计算的问题,提出一种广义相似距核视频关键帧分层聚类算法。首先,针对行数相同列不同的两个特征矩阵,基于矩阵运算方法提出一种广义相似距核相似度计算方法并给出其改进形式。其次,基于改进相似距核计算方法和层次聚类算法,设计了广义相似距核视频关键帧分层聚类算法。最后,通过在测试视频数据库及人造视频片段库上的仿真实验表明,该算法能够有效的完成视频关键帧的聚类和提取操作。     

事件常识的获取方法研究

在动态语义学的基础上,以事件的语义、文法和常识为标准构建多层次的事件分类体系,并使用该分类体系提取事件的常识知识。事件采用框架的方式来表示,称为事件框架。事件框架的内容包括事件的定义、事件之间的关系、事件的文法表达、事件的谓词表示、事件的例句、事件的前提常识和后果常识。利用事件框架的内容提取事件的常识。为了说明该方法的实用性,以事件分类体系中典型的“交易类”事件为例来描述事件常识的获取方法。     

一种新型的实效运动目标检测方法

提出一种新型的帧间差分光流的运动目标检测方法.该方法通过改进七帧差分和改进背景减除消除运动目标检测时出现的"空洞"和虚假目标;通过在光流计算方程加入权函数和引入通用动态图像模型建立新的光流约束条件,以解决常用光流场计算耗时长和亮度变化引起的约束方程不成立的问题,同时获取运动准确信息;最后通过阈值分割和形态学处理完成对目标的分割.实验对比分析表明,该方法能实现运动目标的准确快速检测与分割.     

具有耐火钢短梁的钢框架梁-柱连接抗火性能模拟

通过有限元模拟探讨将耐火钢短梁应用于钢框架梁 柱连接以提高连接抗火性能的可能性.考察三维有限元建模过程中模型简化、网格划分、求解方法和接触关系等关键技术,以提高计算效率并确保分析结果的可靠性.提出3个确定极限温度的准则并应用于钢框架,通过比较可知：对于采用普通钢的钢框架,采用准则1与准则2确定的极限温度与由最大挠度为L/20和L/10所确定的临界温度较接近,这有益于指导钢框架抗火设计.比较普通钢与耐火钢短梁的变形可知：耐火钢的使用可以有效控制跨中挠度变形,使最大变形值减小1/2以上.     

基于Tri-Training的事件关系分类方法研究

事件关系分类是一项研究事件之间存在何种逻辑关系的自然语言处理技术。针对事件关系分类任务中训练语料不足的问题,提出了基于Tri-Training的事件关系分类方法。该方法首先根据已标注的语料训练三个不同的分类器,以多数投票的方式从未标注集中抽取置信度较高的样本对训练集进行扩充,然后利用新的训练集重新训练分类器,反复迭代,不断完善分类模型,最终达到提升事件关系分类性能的目的。实验结果表明,以F1值为评价标准,基于Tri-Training的事件关系分类方法在四大类事件关系上的分类性能为64.36%。