用张量分析方法推导含偶应力弹性力学有限元理论

经典弹性力学理论用位移梯度表示无限小变形,不考虑旋转变形,把微元体的旋转视为刚体旋转。含偶应力弹性力学理论将旋转变形以旋转张量表示,微元体旋转和微元体平动位移同量级,而旋转张量和应变张量同量级,旋转张量与旋转矢量一一对应,用旋转矢量的梯度表示旋转变形。含偶应力弹性力学理论本构关系包括应力-应变关系和偶应力-曲率张量关系,用等参变换方法离散单元位移到节点上,从虚功原理出发,增加罚函数项以降低有限元方程对高阶单元的需求,推导了拟解决三维及二维问题的含偶应力弹性线力学有限元理论,可得三维及二维问题中位移、应力、应变等分布情况,对结构进行力学评价。     

基于张量的XML相似度计算方法

扩展标记语言(XML) 带有一定的结构和语义信息, 与普通文本相比, XML具有描述精确、表现形式丰富等特点, 但同时也使得传统的自然语言处理和数据挖掘等技术不能直接应用. 根据XML内容和结构并非独立, 内容影响结构, 结构作用于内容, 提出一种基于张量的XML特征降维及综合相似度计算方法. 针对XML文档, 使用张量表示并采用基于最大互信息的方法对其进行降维, 采用将XML结构和内容相融合的综合相似度度量方法确定结构和内容的内在联系及共同作用方式, 提高XML综合相似度计算性能. 实验及结果分析验证了所提出方法的有效性.

     

基于CP分解的MIMO-OFDM系统接收信号盲检测

多输入多输出-正交频分复用( MIMO-OFDM)无线通信系统中接收信号从空间、时间、频率的维度形成多因素的阵列信号,传统的矢量或者矩阵代数的建模方法在处理多因素信号问题上显得不足,无法利用多因素间的关系,而张量分析在解决多维阵列信号处理的问题上具有优势。针对MIMO无线通信系统,结合OFDM技术,研究了张量信号的建模及分解方法,并充分利用张量信号的分解唯一性提高无线接收信号的检测能力。提出了基于CP( CANDECOMP/PARAFAC)张量分解方法对未知信道状态( CSI)的MIMO-OFDM系统进行接收端的张量信号建模和盲检测,并通过仿真分析验证了模型的可行性。仿真结果表明,在接收天线数目大于发送天线数目且各径信道独立情况下,基于CP分解的接收信号盲检测算法在误码率为10-4时,随着接收天线数目增加,信噪比可获得约5 dB的增益。     

基于三维霍夫变换的环形光场三维重建

针对环形光场的二维对极几何图特征轨迹不完整问题,提出了一种基于三维霍夫变换的环形光场三维重建方法.将三雏重建参数求解转化为高维图像体特征轨迹参数的解算.通过分析环形光场图像体中特征轨迹三维分布,提取图像体中的轨迹曲线,并采用三维结构张量分析曲线的局部方向.构建了面向三维曲线检测的三维霍夫空间,并设计霍夫参数筛选方法.通...     

岩石隧洞掘进过程中松驰区域的声发射评价

在神冈地下基岩试验场，通过计测隧洞掘进爆破后在周围基岩中产生的声发射（AE）信号，对“松驰现象”做了解释和分析，除去泛用的AE参数分析和定位分析之外，还使用了矩张量分析法（Moment Tensor Analysis)，分析结果表明，爆破后应力再分布的影响随时间的推移而逐渐出现，并且一直叔及到未掘进区域的山岩，同时还确认一在掘进壁面附近和山岩内部发生的裂纹属于不同的种类，用三维定位法对松驰区域的扩展做了评价。     

材料科学离不开数学支撑

<正>有同道友人曾半调侃半认真地问陈湘明教授:"你那么喜欢诗词,能否用诗词的语言概括一下材料科学的基本特征?"陈教授未假思索便脱口而出:"化学为格律,物理为意境,数学为韵致。"引得友人拍手称奇。陈教授赶紧自嘲:"戏论一番,不可当真。"此后慢慢想来,倒是越想越觉得有道理。     

多线性主成分分析和张量分析的SAR图像目标识别

为了提高合成孔径雷达图像目标识别效果,提出一种基于多线性主成分分析和张量分析的合成孔径雷达图像目标识别方法。该方法首先构建四阶张量训练样本,利用多线性主成分分析得到多线性投影矩阵;再通过投影矩阵构建核心张量,对核心张量进行线性判别分析;最后对测试样本分类识别。实验中,将本文提出的多线性主成分分析和张量分析方法在MSTAR公共数据库上进行识别实验,并与主成分分析和二维主成分分析方法进行识别率比较。实验结果表明,本文方法有效保留了图像的空间结构信息,提高了目标正确识别率。     

聚合物熔体挤出胀大的唯象研究进展

介绍了目前国内外对聚合物熔体挤出胀大的研究工作进展,评述了近50年来挤出胀大研究发展情况。从唯象理论出发,应用张量分析方法,研究了短口模的挤出胀大行为;引入了随流坐标系的随流协变度量张量,并利用张量的特性描述了聚合物熔体微元在挤出口模的流动状态;结合流变本构方程,探讨了聚合物熔体对称和非对称的挤出离模后的胀大过程,提出挤出胀大相关研究的发展趋势,为未来研究方向提出了一个新的研究方法。     

不完备数据的鲁棒多视角图学习及其聚类应用

现有多视角图学习方法主要建立在数据具有较好完备性的前提假设下,没有充分地考虑由于特征缺失引起的不完备数据的学习问题.针对此问题,提出一种不完备数据的多视角图学习方法.一方面,从局部视角内将数据重建和图学习放入同一框架,通过不完备数据补偿,实现从重建数据中学习视角专属的近邻关系,弥补特征缺失对数据分布的影响.另一方面,为了保持近邻图的二维结构,引入张量分析,从全局角度构造基于多视角的融合图学习约束,捕获缺失数据下视角间图结构的高阶潜在关联性.框架交替的优化数据重建、视角专属图学习和融合张量图结构学习,使其在迭代中相互促进,有效提高模型对不完备多视角数据的学习能力.将所提出的方法应用于两类不完备数据的多视角聚类实验,其结果表明所提出方法在多项性能指标和鲁棒性方面均优于当前主流的多视角聚类方法.