基于混合优化算法的关节臂式测量机参数标定

为进一步提高关节臂式坐标测量机等高机动性精密测量设备的测量精度,使用D-H矩阵法建立其关节坐标转换数学模型并据此推导出参数误差模型.针对非线性多参数标定问题,通过变换分析消除了最小二乘法求解时矩阵中的冗余参数,降低了计算的复杂性.设定判定准则并实现最小二乘法和模拟退火算法的混合,提出了一种基于混合优化算法的参数标定方法,解决了LM算法的初值设定和SA算法的搜索效率逐步降低的问题.实验结果表明:关节臂式测量机参数经混合优化算法标定后,参数的误差范围有了显著的缩小,单点重复性误差的平均值减小了1.746 mm,长度误差的平均值减小了0.941 mm,测量误差得到了进一步的抑制.     

运用图像重构误差控制的骨架简化方法

将贝叶斯模型方法运用于基于图像重构误差控制下的骨架简化问题,通过建立平衡算法实现重构精度与骨架简化的平衡统一.在算法的设计中,通过对骨架分支级别的设置,运用重构误差和骨架简洁度两个控制参数以及平衡算法,在骨架主轴的基础上通过添加相关各级别的骨架分支,实现对骨架分支的优选,最终获得图像的最优近似骨架.实验结果表明:本算法对于边界扰动具有较好的鲁棒性,与其它方法相比,本算法复杂度较低,运算速度更快,得到的骨架也更简洁.     

利用反预报方法从截面预言近滴线丰质子核的结合能

在Origin等数据处理软件中,当实验数据较少时,自由参数的不同初始化设置会导致较大的结果差异,这为物理结果的确定带来较大不确定性.通过最小二乘法分析了345MeV/u ~(78) Kr+~9Be反应中产生的丰质子同位素的截面和结合能,并得到线性回归方程.通过回归方程,利用结合能预报部分丰质子核素的截面,以及通过实验截面对近质子滴线核素的结合能进行反预报测量.这对于近质子滴线的丰质子核素实验测量具有较好的借鉴意义.     

线性双向联想存储器

提出了一个线性双向联想存储器的模型，一组有限个向量对由一线性算子建立起双向联想关系，此线性算于是一个网络的联结权重矩阵。该权矩阵由最小二乘法决定。由权矩阵的解导出一特殊类型的Ｌｙａｐｕｎｏｖ矩阵方程．本文提供了这种Ｌｙａｐｕｎｏｖ矩阵方程的解。     

借用平抛运动辨析矢量、标量的求和

我们知道，矢量的合成遵守几何法则(平行四边形定则或三角形法则)；而标量的合成遵守代数法则。但在平时的教学中却发现许多同学对矢量遵守的平行四边形定则心存疑虑，解题时不能很好地应用。甚至有的同学在对标量求和时错误地应用了平行四边形定则。下面我们借用一道平抛运动的习题，来对上述问题作一辨析。     

混沌实验数据处理及仿真

大学物理实验中混沌实验大多采用观察现象的方法进行,本实验采用蔡氏电路(Chua s circuit)产生混沌行为.在观察不同初始值条件下出现的倍周期分岔、阵发混沌、奇异吸引子等相图及现象的基础上,通过对采集数据进行处理,对负电阻伏安特性进行分段线性拟合,用功率频谱法、计算机仿真方法(龙格-库塔数值积分法)对混沌现象进行描绘,将实验数据与非线性方程组的数值解相结合,呈现出混沌现象的本质.     

宽带膜厚实时监控过程中膜层折射率的确定方法

为了准确计算出镀膜过程中每层膜的折射率，介绍了实时监控过程中确定膜层折射率的2种方法：一种是由实测的透射比光谱直接反算出膜层的折射率；另一种是用最小二乘法的优化算法实时拟合折射率。试验结果表明：在线反算适合单点监控，所得折射率误差小于2%。然而在实际镀膜过程中,由于宽带内膜层参数误差较大,一般大于25%。为此，采用最小二乘法拟合，即在整个宽光谱范围内采集每个波长点的信息，所得结果误差很小，一般都在2％～5%之间,有时可达到10%,在很大程度上提高了实际镀膜时膜厚监控的精度。     

卡尔达诺的构造性几何证明

基于对《大术》第7章关于三项方程变换法则的几何证明的构造性特点分析,总结了卡尔达诺的构造思想,并按照其方法把他针对三项三次方程的证明自然地推广到一般三项方程.由此认为,卡尔达诺在《大术》中的几何证明大多区别于经典的综合证明,而属于以分析为基础的验证.他对涉及高次方程的几何证明一般是通过具体例子来展示一般方法,但是,他针对特殊情形的证明方法具有一般性.另外,在方法论上指出,古证复原方法也适用于历史上存在的几何证明.     

借助Matlab遗传算法反演火山区压力源参数

首先分析了Mogi模型的经典最小二乘反演由于出现矩阵奇异或接近奇异而发散的局限性,决定采用具有全局高效搜索性和优化计算时不需要求导的遗传算法来反演火山区压力源参数。反演程序调用Matlab7.0 Release14工具箱中的选择、交叉和变异等相关程序。最后应用该程序和长白山天池火山区水准和GPS观测资料联合反演火山区压力源参数,经过比较遗传算法和阻尼最小二乘方法的反演结果,可看出2种方法结果近似,可见此方法方便快捷地实现了目标函数的最小化。