关于随机集值映象的不动点定理

我们得到几个随机集值映象的不动点定理，它推广了Ｍ．Ｓ．Ｋｈａｍ的结果［５］，文中所使用的方法与其它作者不同     

钻削中产生迷切现象的机理研究

随着科学技术的发展．对孔加工精度的要求越来越高．钻削过程中的速切现象对孔加工的形状精度、位置精度有很大的影响．本文用试验、观察、解析的方法分析了钻头迷切现象与各种因素的关系，对提高孔加工精度有了新的揭示．     

压电主动杆位置和增益在随机智能桁架结构振动控制中的优化

对结构物理参数、几何尺寸、作用荷载和控制力同时具有随机性时 ,随机压电智能桁架结构中主动杆的配置位置和闭环控制系统增益进行了优化 ,基于系统最小储存能 ,构建了具有动应力、动位移可靠性约束的主动杆配置和控制增益的优化模型 ;并对结构动力响应的数字特征进行了推导。通过算例 ,验证了该优化配置模型的合理性和有效性 ,获得了若干有意义的结论。     

基于独立成分分析的地震数据去噪

:独立成分分析方法(ICA)是近几年才发展起来的一种新的基于信号高阶统计特性的分析方法。 对于相互统计独立的信号源经线性组合而产生的混合信号,采用ICA能从其中分离出各独立的信号分量。在地震勘探中,地震道信号和随机噪音通常具备非高斯信号的特点，统计性相互独立。在对地震数据和随机噪音信号特点进行分析的基础上，采用基于最小互信息的快速ICA方法实现地震数据去噪。模型分析和实例计算表明，该方法具有一定的可行性。     

地震相控非线性随机反演研究与应用

 在地震相模型控制下，通过原始数据将各个单一反演问题转化为一个联合反演问题，可降低反演在描述参数几何形态时的单个反演问题的自由度，从本质上提高地球物理反演的效果。本文在计算过程中采用了非线性随机反演算法，能有效提高地震资料的分辨率，并充分考虑地质条件的随机特性，使反演结果更符合实际地质情况。在胜利、中原油田等地区的储层预测中，应用本文方法均取得了良好的效果，为岩性油气藏勘探提供了可靠基础数据。     

基于随机骨料数学模型的混凝土弹性模量预测

按照混凝土试件的实际配比计算出各粒径区间的骨料体积含量,对骨料颗粒进行随机投放,生成随机骨料的数值模型。对不同形状骨料的随机骨料模型建立的体积表征单元(RVE)施加均匀位移边界条件,通过有限元方法计算该RVE中的应力和应变场,然后由细观力学数值均匀化方法预测RVE的有效弹性模量。数值计算结果和试验值的对比表明,基于随机骨料模型的混凝土弹性模量的预测是有效的,骨料含量为40%和60%时预测值与试验值相近;由多边形骨料模型得到的弹性模量略高于圆形骨料,骨料的空间分布对于预测结果的影响甚微。假定材料的细观单元力学性质服从Weibull分布时,预测的有效弹性模量结果偏低,且随均质度的减小而减小。     

随机有限元及其进展──Ⅰ．随机场的离散和反应矩的计算

本文讨论了随机有限元方法近二十年的进展。全文分为独立的两篇，本文为第一篇，其中讨论了随机场的离散，改进的模拟法，随机有限元方程的建立及随机反应各阶矩的计算．     

基于特征选择的集成分类器抗噪性能分析

特征选择有助于增强集成分类器成员间的随机差异性,从而提高泛化精度。研究了随机子空间法（RandomSub-space）和旋转森林法（RotationForest）两种基于特征选择的集成分类器构造算法,分析讨论了两算法特征选择的方式与随机差异程度之间的关系。通过对UCI数据集引入噪声,比较两者在噪声环境下的分类精度。实验结果表明：当噪声增加及特征关联度下降时,基本学习算法及噪声程度对集成效果均有影响,当噪声增强到一定程度后。集成效果和单分类器的性能趋于一致。     

植物抗性基因识别中的随机森林分类方法

为了解决传统基于同源序列比对的抗性基因识别方法中假阳性高、无法发现新的抗性基因的问题,提出了一种利用随机森林分类器和K-Means聚类降采样方法的抗性基因识别算法。针对目前研究工作中挖掘盲目性大的问题,进行两点改进:引入了随机森林分类器和188维组合特征来进行抗性基因识别,这种基于样本统计学习的方法能够有效地捕捉抗性基因内在特性;对于训练过程中存在的严重类别不平衡现象,使用基于聚类的降采样方法得到了更具代表性的训练集,进一步降低了识别误差。实验结果表明,该算法可以有效地进行抗性基因的识别工作,能够对现有实验验证数据进行准确的分类,并在反例集上也获得了较高的精度。     

Joint spatial registration and multi-target tracking using an extended PM-CPHD filter

An extended product multi-sensor cardinalized probability hypothesis density (PM-CPHD) filter for spatial registration and multi-target tracking (MTT) is proposed. The number and states of targets and the biases of sensors are jointly estimated by this method without the data association. Monte Carlo (MC) simulation results show that the proposed method (i) outperforms, although computationally more expensive than, the extended multi-sensor PHD filter which has been proposed for joint spatial registration and MTT; (ii) outperforms the multi-sensor joint probabilistic data association (MSJPDA) filter which is also extended in this study for joint spatial registration and MTT when the clutter is relatively dense.