改进迭代过程的车轨耦合振动数值解法及应用

针对列车-轨道耦合振动迭代求解过程,结合Newmark-β 积分格式,提出一种基于有限元法与非线性接触理论的改进迭代过程数值解法。考虑分别建立车辆系统和轨道系统振动方程,在耦合和解耦迭代过程中,构造松弛因子函数和收敛准则函数,简化轮轨界面协调适应条件,利用轮轨相互作用力在两子系统之间的快速迭代实现动态耦合关系的高效求解。此算法增强了对迭代收敛精度、迭代过程稳定性的控制,同时也减小了程序设计的难度。应用此算法分别对竖错和路基沉降两类典型线路缺陷引起的车轨振动响应进行了算例对比和分析,计算结果表明,改进解法在迭代速度和迭代稳定性上具有优势,可广泛应用于高速铁路车辆运行和轨道结构动力学问题的分析中。     

面向大数据分析的在线学习算法综述

大数据时代,越来越多的领域出现了对海量、高速数据进行实时处理的需求.如何对大数据流进行抽取转化成有用的信息并应用于各行各业变得越来越重要.传统的批量机器学习技术在大数据分析的应用中存在许多限制.在线学习技术采用流式计算模式,在内存中直接进行数据的实时计算,为流数据的学习提供了有利的工具.介绍了大数据分析的动机与背景,集中展示经典和最新的在线学习方法与算法,这种在线学习体系很有希望解决各种大数据挖掘任务面临的困难与挑战.主要技术内容包括3方面: 1) 线性模型在线学习;2) 基于核的非线性模型在线学习;3) 非传统的在线学习方法.各类方法尽量给出详细的模型和伪代码,讨论面向大数据分析的大规模机器学习研究与应用中的关键问题;给出大数据在线学习的3种典型应用场景,并探讨现今或将来在线学习领域进一步的研究方向.     

面向大数据流的多任务加速在线学习算法

多任务在线学习框架采用直接数据处理的流式计算模式,是大数据流分析很有前途的一种工具.然而目前的多任务在线学习算法收敛率低,仅为O(1/〖KF(〗T〖KF)〗),T为算法迭代次数.提出一种新颖的多任务加速在线学习算法ADA-MTL(accelerated dual averaging method for multi-task learning),在保持多任务在线学习快捷计算优势的基础上,达到最优收敛率O(1/T\\+2).对多任务权重学习矩阵W\\-t的迭代闭式解表达式进行了推导,对提出算法的收敛性进行了详细的理论分析.实验表明,提出的多任务加速在线学习算法能够更好地保障大数据流处理的实时性和可伸缩性,有较广泛的实际应用价值.     

深度双重注意力的生成与判别联合学习的行人重识别

在行人重识别任务中存在数据集标注难度大,样本量少,特征提取后细节特征缺失等问题。针对以上问题提出深度双重注意力的生成与判别联合学习的行人重识别。首先,构建联合学习框架,将判别模块嵌入生成模块,实现图像生成和判别端到端的训练,及时将生成图像反馈给判别模块,同时优化生成模块与判别模块。其次,通过相邻的通道注意力模块间连接和相邻空间注意力模块间连接,融合所有通道特征和空间特征,构建深度双重注意力模块,将其嵌入教师模型,使模型能更好地提取行人细节身份特征,提高模型识别能力。实验结果表明,该算法在Market-1501和DukeMTMC-ReID数据集上具有较好的鲁棒性、判别性。     

基于机器学习主用户发射模式分类的蜂窝认知无线电网络频谱感知

近年来,基于机器学习(ML)的频谱感知技术为认知无线电系统提供了新型的频谱状态监测解决方案。利用蜂窝认知无线电网络(CCRN)中的次级用户设备(SUE)所能提供的大量频谱观测数据,该文提出了一种基于主用户(PU)传输模式分类的频谱感知方案。首先,基于多种典型的ML算法,对于网络中的多个主用户发射机(PUT)的传输模式进行分类辨识,在网络整体层面上确定所有PUT的联合工作状态。然后,网络中的SUE根据其所处地理位置或者频谱观测数据,判断其在当前已判定的PUT发射模式下接入授权频谱的可能性。由于PUT在网络中的实际位置可能事先已知或者无法提前确定,该文给出了3种不同的处理方法。理论推导与实验结果表明,所提方案与传统的能量检测方案相比,不仅改善了频谱感知性能,还增加了蜂窝认知网络对于授权频谱的动态访问机会。该方案可以作为蜂窝认知无线电网络中的一种高效实用的频谱感知解决方案。

     

软、硬双相永磁体中的静磁作用

从磁性粒子的静磁场出发,分析计算了由软、硬磁性两相粒子随机混合的双相磁体中的静磁作用。计算得出:取向的硬磁粒子施加于磁体中软磁相上的静磁场,在磁化方向上的分量为1个正值,它正比于硬磁相的体积分数及其饱和磁化强度,其作用将提高软磁相的矫顽力。     

基于校园上网行为感知的学生成绩预测方法

学生成绩预测旨在利用学生的相关信息预测其在未来的学业表现.随着校园信息化建设的持续推进,校园网络认证系统越来越完善,各高校逐步积累了丰富的学生校园上网行为数据.考虑到人的行为表现和学习能力密切相关,以校园上网行为感知为切入点,通过挖掘学生的上网行为日志来预测他们的成绩.为此,收集构建了一个同时包含学生校园上网行为和成绩数据的真实数据集,并通过数据分析证明两者之间确实存在一定的关联性.在此基础上,提出了一个端到端的双层自注意力网络(dual-level self-attention network, DEAN),引入级联式的自注意力机制来分别提取学生每一天的局部上网行为特征和长时间的全局上网行为特征,更好地解决了长行为序列建模问题.此外,通过多任务学习策略在统一的框架下同时解决面向不同专业的学生成绩预测问题,并设计了基于学生排名差的代价敏感损失来进一步提升方法的性能.实验结果表明：相比于传统的序列建模方法,所提出的方法具有更好的预测精度.     

防御链接预测攻击的隐私保护方法

为解决现有的防御链接预测攻击的隐私保护方法的不足,提出一种基于积分梯度的局部扰动算法LDIG (local disturbance algorithm based on integral gradient)。利用敏感链接的闭合子图确定扰动范围,根据扰动范围内链接的积分梯度迭代扰动链接,同时将链接预测对扰动图中敏感链接的预测结果作为扰动结束的判断依据。实验结果表明,LDIG算法的计算复杂度较低,适用于大规模社交网络的隐私保护,扰动链接的数量较少,提高了数据的效用性。     

缺口对GH33A合金在复杂应力条件下力学行为的影响——高温合金力学冶金(11)

本文研究了缺口对GH33A合金在高温低周疲劳及劳疲/蠕变交互作用下的力学行为。结果表明:缺口使GH33A合金低周疲劳寿命缩短,其缩短的程度随缺口尖锐程度的增加而加剧。低周疲劳高应力时,保载时间的作用引入了蠕变分量,促使低周疲劳寿命Nf降低。在低周疲劳固定最大应力,改变最小应力而造成蠕变/疲劳交互作用情况下,其断裂寿命在一定条件下具有最大值,断裂机制可由纯疲劳断裂逐步转化为纯蠕变断裂,其程度主要决定于蠕变应力(或疲劳应力)分量所占比例的大小。     

M-α-β三元系中α组元的扩散方程及两种特定条件下的解

根据扩散理论及组元间的交互作用,建立了M-α-β三元系中,β组元的分布变化时,α组元的扩散方程。并且给出了\