多源异质大数据线性模型的分布式统计推断

本文考虑多源异质大数据下线性模型的分布式统计推断问题.首先,提出针对模型参数的通信有效的分布式聚合估计及算法,并在一些正则条件下证明所得到的估计量的最优性和渐近正态性.其次,针对模型中的异质性检验问题,给出了分布式检验方法.最后,通过数值模拟研究,对本文所提出估计和检验方法的优良性进行验证.     

基于机器学习的压气机叶型优化设计

现代压气机性能需求日趋严苛,叶型优化工作至关重要。近年来遗传算法在叶型优化设计中得到诸多应用,但是传统遗传算法耗时过大,为解决这一问题本文提出了一种应用主成分分析与人工神经网络的流场重构方法,以及基于该方法的快速评估叶型性能的遗传算法优化流程。数值结果表明,基于该优化流程的寻优结果预测静压比与CFD计算值的误差低于0.1%,能够有效对叶型性能进行预测;并且该寻优结果与原始叶型相比静压比提升14.7%,效果可观。     

矿石拉曼光谱模型拟合分类方法

拉曼光谱因具有简单、快速及无损等特点,非常适合矿石的分类与鉴别。拉曼光谱模型拟合分类方法无需构建参考光谱库且避免了复杂的逐项光谱匹配,具有明显的优势。然而,已有的基于机器学习及深度学习的矿石拉曼光谱分类研究所采用的学习模型比较单一,缺乏具有参考意义的综合比较。对基于机器学习及深度学习的矿石拉曼光谱模型拟合分类方法进行综合评估验证,对比了KNN, XGBoost, SVM, RF四种传统机器学习方法和CNN, DNN, RNN三种深度学习模型在RRUFF矿物拉曼光谱数据集上的分类效果,验证了4种数据预处理方法和样本量对模型分类效果的影响。为提升机器学习模型的分类性能,本文还提出了一种拉曼光谱强度曲率的数据预处理方法,对经基线矫正后的拉曼光谱序列强度计算曲率作为构造特征,使模型更有效的提取出拉曼光谱的特征峰位置。实验结论：数据预处理对提升机器学习模型的分类性能效果明显,而对深度学习模型不敏感;样本量为影响模型分类效果的关键因素,当样本量较大时,深度学习模型的分类效果优于传统的机器学习模型;对于微小样本,深度学习模型难以发挥其优势,而辅以预处理的机器学习具有更优的分类性能。     

热力学数据对1, 3-丁二烯燃烧特性的影响

基于G4方法, 计算了1,^{3-丁二烯框架燃烧反应机理中102个物种的热力学数据, 并考察了振动非谐性、 频率校正因子以及受阻内转动对结果的影响. 结果表明, 考虑振动非谐性或采用不同的频率校正因子, 对热力学数据的影响不大; 考虑内转动后, 对热力学数据有较大影响. 而且考虑内转动后, 得到的热力学数据与实验热力学数据吻合得更好. 用所得热力学数据模拟了1,3-丁二烯的绝热燃烧温度以及点火延迟时间, 结果显示, 要得到可靠的绝热火焰温度, 对小分子(如CO和CO₂等)的热力学数据需要采用实验结果. 将用所得热力学数据模拟得到的点火延迟时间, 与机理本身的热力学数据所得点火延迟时间进行对比, 二者差别显著, 表明所得热力学数据主要通过改变一些反应的逆反应速率常数来影响点火延迟时间. 进一步确定了用所得热力学数据对点火延迟时间有显著影响的一些物种.}     

基于H∞滤波的变权多通道数据融合方法研究

在对多通道定位数据进行数据融合中，采用H∞滤波可有效地解决各传感器数据误差模型不确定的滤波和状态估计问题。但由于数据采样时刻及精度的不一致性，对于多通道数据的融合应采用变权融合方式，以提高融合后数据的可靠性。该由此给出了一种基于H∞滤波的变权数据融合计算方法，通过对实测实时数据的仿真计算表明，其方法具有很好的实用性。     

添加剂与RDX的界面作用及对撞击感度的影响研究

研究了石蜡、硬脂酸等添加剂与RDX的界面作用及其对撞击感度的影响。得出添加剂对RDX(Hexogen)的铺展系数越大,钝感效果越好的结论,并获得了铺展系数与特性落高的经验函数关系。     

改进遗传人工神经网络在组合导航中的应用

鉴于常规卡尔曼滤波算法组合导航系统数据融合算法中,存在易于发散的缺陷,尝试将遗传优化人工神经网络引入组合导航系统中.针对传统遗传算法存在的易早熟、算法稳定性差、固定的交叉和变异概率影响收敛效果等缺点,采用浮点式编码方式,两两竞争的选择策略、引入突变操作、重新定义交叉算子和自适应的交叉变异算子等措施进行了遗传算法的改进.仿真结果表明,改进后的算法更为有效,并且精度与常规卡尔曼滤波算法相当.     

基于反应谱值分析的爆破震动破坏评估研究

采用反应谱方法研究了爆破震动信号的振动速度和频率特征,提出了采用反应谱曲线积分值来评估爆破震动破坏效应。通过对289组爆破地震波数据的统计表明,在反应谱曲线的积分值小于5时,爆破地震动不会对所研究的普通民房结构物产生震动破坏效应。     

时域压缩合成孔径超分辨水声成像算法

提出一种针对水下稀疏目标的时域压缩合成孔径声呐成像方法(TC-SAS),实现了水声目标高分辨实时成像。通过多子阵的孔径合成,在时域上构造出成像网格格点到有效孔径内逐帧阵列的格林函数,并给出成像区域散射强度到数据域的映射矩阵;然后利用该区域空域稀疏的先验知识,通过正交匹配追踪的稀疏重构方式,解算出成像区域散射系数矩阵,实现了稀疏目标高分辨成像.同时,针对线性调频信号提出数据缩减的方法,通过对观测数据和字典矩阵同时脉压后截取,减小了数据规模;进一步结合二维矩阵数表查表的方法,以空间换时间,实现了区块实时成像。数值仿真以及湖试试验表明,所提算法能分辨出传统的时延求和算法难以分辨的目标,并且在图像清晰度指标上平均提升4.9 dB.改善了合成孔径声呐的成像质量.      

大数据的时代,物理还能做什么——推荐《定性和半定量物理学》和《数学模型选谈》

2016年3月9日,是一条历史的分界线。未来的世界将会永远记得这一天,围棋程序阿尔法狗(AlphaGo)战胜了世界冠军李世石,宣告人类社会遇到了千年未有之大变局:工业革命把人从体力劳动中解放出来,而信息革命有可能解除人类智力劳动的必要性。在大数据和人工智能的时代,物理还能做什么?