高边坡结构可靠度的二次处理有限元分析

本文依据强度折减理论,利用MIDAS/GTS有限元软件,分析计算了高边坡结构的安全系数K,找到边坡滑裂带的位置。在此基础上,对有限元输入数据和输出结果进行二次处理,建立基本随机变量c,f与滑裂带中单元的最大(和最小)主应力σ1(和σ3)的拟合关系f1(和f3),将其代入高边坡结构的功能函数Z中,使Z由隐式形式变为显式。基于该显式表示的Z,利用Monte Carlo法计算滑裂带中所有失效单元的可靠指标β1,并将其单元面积A1作为权重系数,经过加权平均得到边坡结构的整体可靠指标β。上述方法使得结合有限元软件计算边坡结构的整体可靠度得以简化。经实例分析可知,本文提出的方法是合理可行的,可使边坡结构整体可靠性分析得以简化,也可为高边坡结构整体可靠性分析提供理论参考。     

基于Taylor级数的矩阵双曲余弦函数的数值算法

提出了一种基于Taylor级数的矩阵双曲余弦函数的数值逼近算法,为减少计算量使用了Paterson-Stockmeyer方法来计算矩阵Taylor多项式,对逼近误差进行了绝对后向误差分析以减少误差,并设计了算法可以较为快速且准确地求解矩阵双曲余弦函数,最后进行了数值实验,验证了算法的有效性.     

区间数的排序方法研究

指出献^[3-5]所定义的用于区间数排序的可能度存在的不足,分别给出了刻画区间数大小比较的相对优势度的定义和模糊互补矩阵排序的一种新方法。在此基础上,给出了区间数的一种排序方法。     

最大Randid指标的k悬挂点化学树的性质

化学分子图G的Randie指标为R（G）=∑wv（dG（u）dG（v））^2/1．其中uv是G的边,dG（u）表示的顶点u的度．本文刻画了具有最大Randie指标的k悬挂点化学树的一些性质．     

一种新型风险型多指标决策方法研究

传统的风险型多指标决策模型没有考虑决策者对风险的态度,而决策者对风险的态度会影响决策的结果,针对这一问题文章在累积前景理论与灰色关联方法的基础上,提出一种考虑决策者风险偏好的风险型多指标决策的方法.该方法首先利用极差化法对风险决策矩阵进行规范化处理,并在此基础上构造出最优与最劣方案;然后利用累积前景理论与灰色关联方法构建前景值函数,并给出利用灰色关联思想确定指标权重的方法与步骤;最终求出各个方案的综合前景值并进行排序选优.通过某电信运营商对管道资源建设方案选择的实例分析说明了方法的可行性与有效性.     

基于标准差和平均差的权系数确定方法及其应用

本文以工业经济效益的综合评价为应用背景 ,提出了一种确定多指标决策权系数的新方法———标准差和平均差极大化方法。运用该方法进行多指标决策和评价 ,概念清楚、涵义明确 ,决策和评价结果准确、可信、不具有主观随意性     

Lukasiewicz 命题逻辑系统一种新的理论的相容度

根据演绎定理和完备性定理,应用公式真度理论在Lukasiewicz命题模糊逻辑系统中讨论理论Γ的相容性,根据矛盾式■是Γ-结论的真度的大小,提出了一种新的极指标和相容度的概念.给出了理论Γ相容、不相容及其它相关结论的充分必要条件,并且获得了相容度与发散度之间联系的重要关系式.     

广义直觉模糊指标的构造及其应用

针对现有广义直觉模糊指标的构造并未利用直觉模糊集广义补算子的不足,本文首先利用直觉模糊广义补算子给出了一种新的广义直觉模糊指标的构造法,其次对广义直觉模糊指标所具有的性质进行了严格证明,最后将其用于图像阈值化分割并给出其直觉模糊广义补算子参数的选取方法.实验结果表明,本文所提出的广义直觉模糊指标构造法是有效的,对于光照不均匀图像能获得满意的分割效果.     

特征筛选对抗肿瘤药物识别的影响研究

基于不同的机器学习方法探索识别抗肿瘤药的合适的特征筛选方法。收集了200个抗肿瘤药和600个非抗肿瘤药,形成三组不同的平衡数据集。采用斯皮尔曼系数与谷本系数计算的相关性矩阵与6个特征重要性指标结合进行相关性特征筛选。筛选后的数据集使用自适应提升树、随机森林、支持向量机进行分类。基于三个平衡数据集,采用的特征筛选方法对不同的机器学习方法获得的评价指标均有不同程度的提升。特别是自适应提升树,与其他筛选操作相比,至少有一种改进的特征筛选方法提升了六个评价指标的所得值。根据三个数据集的结果分析,重要性指标中整体方差和信息熵表现得更好,为将来的抗肿瘤药物识别提供一定的参考。     

基于解释结构模型的大学生就业影响因素分析

针对大学生就业率低的问题,构建大学生就业评价指标体系,利用解释结构模型的实用化方法对大学生就业影响因素进行了分析,并构建大学生就业影响因素的解释结构模型.根据解释结构模型层次化处理结果,分析各个因素之间的联系,将大学生就业影响因素分为四个层次,明确大学生就业影响因素的层次结构关系,找出导致大学生就业率低的最直接因素和最根本因素.