小波神经网络在基坑变形预测的研究与应用

针对一般小波神经网络存在的学习时间长,网络预测精度低的问题,提出了对网络输入层权值初始值进行归一化处理的优化方法,改进了原有小波神经网络。将改进后的模型应用于某市轨道交通1号线珠江路站深基坑水平变形预测中。监测结果表明,网络输出值与实测值吻合很好,优化后的小波神经网络收敛速度也更快;同时随着大量最新的监测数据输入到网络中学习,将使深基坑水平变形预测更加精确。     

基于SPEA2+算法的Web服务选择研究

服务选择算法是影响组合服务的QoS和服务组合性能高低的关键因素。针对将多维QoS属性加权聚合为一个目标函数进行优化的选择算法不能实质性地解决基于QoS的Web服务选择问题,采用改进的强度Pareto进化算法（SPEA2+）多目标优化求解该问题,设计了一种Web服务选择算法。该算法在满足声誉、可靠性和可利用性属性的约束下,同时最小化服务时间T和服务费用C,以产生Pareto最优解集。通过与运用SPEA2算法求解该问题的实验对比,表明了两算法所获取的Pareto最优解集中QoS属性T和C各均值各有优劣,用户可依据对T或C的偏好择优选择。     

基于OpenCL的累积汇流并行计算

大尺度、高分辨率数字地形数据应用需求的增长,给计算密集型的累积汇流等数字地形分析算法带来了新的挑战。针对CPU/GPU(Graphics Processing Unit)异构计算平台的特点,提出了一种基于OpenCL(Open Computing Language)的多流向累积汇流算法的并行化策略,具有更好的平台独立性和可移植性,简化了CPU/GPU异构平台下的并行应用程序设计。累积汇流并行算法包括时空独立型的流量分配和空间依赖型的累积入流两个过程,均定义为OpenCL内核并交由OpenCL设备并行执行,其中累积入流过程借助流量转移矩阵由递归式转换为迭代式来实现并行计算。与基于流量转移矩阵的并行汇流算法相比,尽管基于单元入度矩阵的并行汇流算法可以降低迭代过程中的计算冗余,但需要采用具有较大延迟的原子操作以及需要更多的迭代次数,在有限的GPU计算资源下,两种算法性能差异不明显。实验结果表明,并行累积汇流算法在NVIDIA GeForce GT 650M GPU上获得了较好的加速比,加速性能随格网尺度增加而有所增加,其中流量分配获得了约50～70倍的加速比,累积入流获得了10～20倍的加速比,展示了利用OpenCL在GPU等并行计算设备上进行大规模数字地形分析的潜在优势。     

HPuO分子激发态的外场效应

采用密度泛函(DFT)方法B3LYP/Gen,在Pu为相对论有效原子实势(RECP)基组水平上,优化计算得到了分子轴方向不同电偶极场（－0.005～0.005a.u.）作用下的HPuO的基态几何结构、偶极矩和分子总能量。在优化构型下,用同样的基组,采用含时密度泛函(TDDFT)方法(TD-B3LYP),研究了同样外电场条件下对HPuO的激发能的影响。计算结果表明,在外场作用下,对HPuO的前5个激发态电子跃迁光谱属于红外 远红外光谱,波长为1046.0～3038.7nm,这是钚原子的奇异特征。激发能与外电场的关系近似满足Grozema等提出的关系。     

氢-苯乙烯体系中氢-氚同位素交换反应的热力学研究

采用6-311G全电子基函数和B3p86方法对聚苯乙烯-二乙烯基苯(polystyrene-divinylbenzene,SDB)单体之一的苯乙烯分子结构进行优化计算.根据热力学原理,计算得到SDB官能团分子氢氚取代反应在不同温度下的标准生成自由能函变、反应平衡常数及氚气和氢气的反应平衡压力比.结果表明,温度的升高不利于氢氚取代反应T2(g) SDB(H2)(s)→H2(g) SDB(T2)(s)正向进行,这与Pt/SDB疏水催化剂在氢-水同位素交换的催化反应实验过程中的氢氚取代研究结论一致.     

Pu-H2相互作用的反应机理及电子密度分析

通过量子力学中密度泛函理论的相关方法和相对论有效原子实模型(RECP),应用Gaussian09程序对钚与氢气的相互作用进行了计算和分析。计算得到了钚与氢气的详细微观反应机理：Pu+H2→FC→TS→PuH2,优化了沿反应路径的特殊结构（能量极小点及过渡态）,并通过能量分析画出了势能剖面图。基于优化的几何结构,通过多种拓扑分析方法分析了反应路径中所有特殊结构的电子密度相关性质,如自旋密度分析、Mulliken自旋布居分析、电子定域泛函理论分析,得到了电子密度在反应过程中的详细变化。     

无线传感网络量化及能量优化策略

由于无线传感网络(WSN)存在能量和带宽的限制,在网络中直接传送模拟信号受到了极大地制约,因此对模拟信号量化是节省网络能量和保证有效带宽的重要手段。为此,该文以融合中心的重构绝对均值误差最小为原则,设计一种网络量化及能量优化方法。首先,针对单传感器,在能量固定的情况下推导了最优量化位数及在量化位数固定的情况下推导了最优能量分配。其次,在单传感器的基础上,进一步推导多传感器情况下最优量化位数及最优能量分配。以上两种情况都考虑了传感器测量噪声及信道衰落损耗。最后,通过数值仿真方法验证了文中所提方法的正确性,并将其与等能量分配进行了比较,获得了较好的效果。