基于分层Boussinesq类模型的深水波数值模拟

波群演化有非常特殊的物理现象。模拟这一过程要求模型具有较好的色散性性能同时具有良好的波幅离散性能、非线性性能。采用分层Boussinesq类方程对深水波群得到非线性演化开展数值模拟研究。利用Stansberg(1993)的物理实验验证了分层Boussinesq方程波浪模型在该研究中具有很好的适用性和较高的精度。模型较好地预报了组成波的倍频、和频及差频波浪。越接近造波板,结果吻合的越好。随着长时间的演化,主频部分的组成波的波高数值结果要大于实测结果,高频部分的组成波出现明显差异。

基于分层Boussinesq类模型的孤立波爬坡模拟

波浪爬坡是自然界中普遍存在的现象,是近岸防波堤等结构物设计需要考虑的因素。本文采用分层Boussinesq类方程对近海岸波浪爬坡开展数值模拟研究,采用有限差分方法数值离散二层Boussinesq类方程,建立数值波浪模型。根据Synolakis 1986年的物理实验,数值模拟孤立波在梯形水道上的爬坡,验证了分层Boussinesq方程波浪模型在该研究中具有很好的适用性和较高的精度。模型较好地预报了波浪爬高的变化趋势。预报的波浪爬坡高度大于实验测量值,主要原因是实际的底摩擦大于模型中的底摩擦。

基于分层递进差异化模型的专业类文职教员教学能力培养研究

文职教员教学能力的高低是影响院校教育质量高低的关键,然而,传统的教学培养模式并未充分考虑军队院校文职教员教学岗位的差异性,使得专业类文职教员在教学能力发展上严重受制于现有培养模式,这在一定程度上将会制约军队院校师资队伍建设。本文针对专业类文职教员的教学能力培养,提出了一种分层递进差异化的培养模型,该模型结合了文职教员成长的四个阶段,分别给出每个阶段对应的教学能力提升举措,为专业类文职教员的教学能力培养提供了参考意见。

基于多属性组合聚类的护士分层分类方法模型构建

[目的]构建基于多属性组合聚类的护士分层分类方法模型,为科学划分护士层级类型,提升护士分层管理的精细化、教育培养的精准性提供理论借鉴和方法依据。[方法]在深入分析和概括总结现有护士分层分类方法实践的基础上,运用灰色聚类思想,构建基于多属性组合聚类的护士分层分类方法模型。[结果]该模型能够充分利用护士本身的多属性信息,可以从多个属性维度将护士划分多个具有可比较的组合层次类别,对护士的分层分类更加全面客观、立体多元。[结论]基于多属性组合聚类的护士分层分类方法模型为我国护士分层管理科学化、为促进分层分类教育培养的精细化,以及健全绩效考核体系等提供了可行方法和路径,具有较高的实践应用价值。

基于正交分层聚类算法软件可靠性模型的预测分析

鉴于软件测试数据对软件可靠性增长模型预测的扰动,以及在软件可靠性增长模型(SRGM)预测中要求测试工作量分布均匀这一过高的前提假设,在聚类基础上提出了正交结构分层聚类算法。对在实际过程中不满足这一假设前提的数据进行归一化,并利用基于正交结构分层聚类算法的J-M模型对软件的可靠性进行评估,以实验数据验证了基于分层聚类算法J-M模型预测优于传统J-M模型预测。

基于电子分层模型和凝聚策略的密度峰值聚类

密度峰值聚类算法(Density peaks clustering,DPC)是一种基于密度的新型聚类算法。该算法的优点十分显著:所需参数较少,没有迭代过程,能自适应获得聚类数目并识别任意形状的簇类。该算法也有一些问题亟待解决:(1)在决策图上人工选择聚类中心,产生聚类误差;(2)在密度不同的流形数据集上聚类效果不佳。针对这些不足,该文提出一种基于电子分层模型和凝聚策略的密度峰值聚类算法(Density peaks clustering based on electronic shells model and merging strategy,EMDPC)。其利用电子分层模型计算每个数据点的局部密度,更易识别出低密度簇;通过子簇凝聚策略自适应识别簇类数目,降低了人工选取聚类中心时误差发生的概率;并且子簇凝聚策略能较好地解决DPC在密度不均匀的流形数据上聚类效果不佳的问题。实验分析表明基于电子分层模型和凝聚策略的密度峰值聚类算法具有较高的精度和较好的聚类性能,其结果优于其他先进的聚类算法。

分层地质类材料靶体抗超高速侵彻模型实验

利用二级轻气炮开展了杆形钢弹在10马赫左右条件下对4种分层地质类材料靶体的超高速侵彻模型实验,重点研究了砂浆层位置和空气隔层对侵彻效应的影响。结果表明增加遮弹层与下部结构间的空气隔层、在整个结构顶部设置疏松砂浆层均可以在一定条件下加剧弹体破坏、减小结构层的侵彻深度,但同时会增加遮弹层的表面成坑效应。从减小结构层的侵彻深度出发,“软-硬-软-硬”的分层设计思路对抵抗超高速弹体侵彻是可行的。

基于分层聚类的心血管疾病协同过滤推荐模型研究

目的:医院收集了大量医疗数据,这些数据中提取的信息可用于临床决策和治疗推荐。传统的协同过滤推荐算法面临着数据稀疏性和可扩展性差等问题,这会降低系统的准确性和效率。方法:提出了一种基于聚类和子聚类的实时协同过滤推荐模型。该方法被用于四种不同类型的心血管疾病数据集,包括心绞痛、非心源性胸痛、隐形缺血和心肌梗死。将患者数据按照对应的疾病类别进行分层聚类,查询患者被引导到正确的疾病分区并从较小的子集中获得相似度评分。结果:实验结果表明,模型减少了查询患者的搜索范围,从而压缩提供准确建议所需时间,提升了推荐的准确性和效率。结论:模型对心血管疾病相关治疗方案的推荐具有重要的意义。

基于合并分层聚类的网络拓扑推断算法

针对HTE(Hierarchical Topology Estimation)算法计算复杂度较高的问题及其在节点相关性估计方差较大条件下性能下降的问题,提出基于合并分层聚类的网络拓扑推断算法.该算法采用自底向上的合并分层聚类,每次聚类仅使用与最大相关节点对有关的数据,相对HTE算法降低了运算复杂度;建立了改进的有限混合模型,增加了参数推断的有效数据,提高了算法的参数估计精度.仿真结果表明相对HTE算法,本文方法可以更快地推断出网络拓扑,且在节点相关性估计方差较大条件下,有更高的拓扑推断精度.

混合分层抽样与协同过滤的旅游景点推荐模型研究

采用问卷调查与自动抓取相结合的方式,采集用户信息、用户评分等旅游数据,对数据做分层抽样,生成包含用户旅游喜好信息的“智慧旅游”数据集。围绕该数据集,预处理用户评分并执行基于用户聚类的协同过滤算法,以计算目标用户与聚类中心的相似性。结合分层抽样模型生成的旅游喜好信息,输出混合推荐列表。实验结果表明:相比基线,混合分层抽样与协同过滤的推荐模型对评分预测的均方根误差(Root mean square error,RMSE)和平均绝对误差(Mean absolute error,MAE)分别降低11.5%~64.9%和18.8%~47.7%。混合推荐的准确率和召回率相比基线也有较大程度提升,旅游景点推荐效果良好。

面向售电侧改革的用户分层聚类与套餐推荐方法

针对售电公司实现多样化服务类型,吸引更多用户的需求,提出了一种基于差异化特征提取的用户分层聚类方法,并对传统的k-medoids聚类算法进行改进,实现了聚类数目可变的自适应k-medoids算法。分层聚类中第1层聚类先基于马尔科夫模型提取代表用户用电行为多样性的用电特征,并运用自适应的k-medoids聚类算法实现对用户用电行为多变与否的识别。第2层聚类首先针对第1层聚类得到的各类用户提取差异化的用电特征,接着分别运用合适的聚类算法实现用户的再次分类。最后,为两层聚类后的子类用户推荐合适的电价套餐。实验结果表明,基于该差异化特征提取的分层聚类方法能够为售电公司实现有效的用户差异化套餐推荐服务,进而为吸引更多用户购电、扩大售电公司规模提供技术支撑。

基于本体的分层抽象模型

KRA表示模型给出了对物理世界W进行形式化建模的一般框架。在扩展后的广义KRA模型中引入本体概念,将抽象对象库扩展为本体类,在本体类中实现KRA模型框架中的感知层、语言层和理论层的知识共享和重用,简化了KRA模型的表示。分别定义了作用在物理世界W和本体类上的3种本体抽象算子(集):基本本体抽象算子、实体本体抽象算子集和连接本体抽象算子集,并给出了本体类之间的映射关系,通过这种映射关系能够实现模型抽象和模型还原。对本体类的抽象度进行形式化的定义,并给出了相关定理,指出在这样的框架中利用抽象映射可以自动构建物理世界W的抽象度不同的模型。

非对称凸起模型特征分割及其在FDM分层上的应用

目的以熔融沉积成型(FDM)的非对称多突起类模型为研究对象,通过改进分层算法提升模型3D打印效率并降低模型表面粗糙度。方法通过切片分层算法,输入STL格式的模型文件,利用面片模型的信息储存特点,将模型凸起区域分割,并将分割后的模型凸起特征单独提取。以面片法向量与z轴的夹角为判据,对各部分模型进行自适应分层,然后调整打印路径,对各个部分的打印路径进行分段式优化,确定分段路径的打印次序,并输出3D打印机执行代码,完成实物制造。结果对于实验所采用的汽车转向节模型,算法能够精确地分割提取模型的凸起特征区域。通过分层模型和实物打印的对比,相较于传统算法,新算法在保证尖端高度为0.005 mm的前提下,实现了模型分层更加精确的效果,并且整个打印过程中,喷头在凸起特征之间的空行程次数减少了93.42%,打印效率提升了28.09%。结论对于非对称凸起模型熔融沉积工艺的3D打印,新的切片算法能减弱模型的阶梯效应和拉丝现象,极大地减少喷头空行程次数,从而提升打印效率并降低模型的表面粗糙度。

基于系统中心本体的分层抽象模型

本体类分层关系的确定,使得能够利用不同抽象度本体类之间的抽象映射自动构建物理世界的分层模型。根据本体类型的不同将已有的本体类定义为对象本体类(Object-based Ontology Class),并对流片段(Flow Fragment)的概念加以扩展,提出以系统为中心的流本体类(Flow-based Ontology Class)的概念。定义了流片段的行为不可区分性,从两个不同的方向讨论了流本体类的分层表示:一是对构成流本体类的流片段的不同抽象度分层扩展;二是对构成流本体类的不可区分的流片段的合并分层扩展。给出了流本体类的分层过程,定义了系统级的映射关系,即流片段之间的抽象映射,指出该映射为基于系统中心本体的模型抽象分层过程提供了直接的转换运算。并且,流本体类的分层关系的确定也为基于系统中心本体的模型设计任务提供了可共享和重用的机制。

基于K均值算法的分层教学模型研究--以计算机网络课程为例

由于学生群体存在个性化差异,传统教学模式已不能很好地满足学生全面发展的需求。而分层教学关注学生个体差异和学习需求,有针对性地制定教学计划和目标,有利于整体教学效果的提升。文章重点研究分层教学中的分层模型,并以计算机网络课程为例,设计基于K均值算法(K-means)的分层教学模型,实现学生学习情况的分层。通过仿真实验表明,基于K均值算法的分层教学模型相比专家分类算法、学生总成绩排名的分层方法,更具有一定科学性和合理性,可以为其他学科提供借鉴和参考。

二阶聚类模型及其应用

二阶聚类模型(ostepClusterTM^(Tw))是一种新型的分层聚类算法(HierarchicalAlgorithms),目前一般应用在DataMining(数据挖掘)与多元统计的交叉领域模式分类中,其算法适用任何尺度的变量。

基于预训练模型的中心分级燃烧室燃烧振荡 预报方法

为促进实现燃气轮机燃烧室中的燃烧振荡预报,提出一种结合预训练和迁移学习的研究思路。在预训练阶段,开展短火焰筒和长火焰筒下两类火焰图像的对比学习以完成编码器的自监督预训练。在迁移阶段,除了对特征编码构建线性分类器的直接迁移,本文还提出将工况参数作为先验条件的贝叶斯迁移学习。结果表明,在两种迁移学习方式下预训练模型相比传统监督学习模型具有4.6%左右的性能提升。同时基于贝叶斯推断的迁移学习相比直接迁移鲁棒性更好。通过主成分分析和分层聚类,验证预训练模型能够提取火焰图像更为通用的热声特征。

分层Dirichlet过程及其应用综述

Dirichlet过程是一种应用于非参数贝叶斯模型中的随机过程,特别是作为先验分布应用在概率图模型中.与传统的参数模型相比,Dirichlet过程的应用更加广泛且模型更加灵活,特别是应用于聚类问题时,该过程能够自动确定聚类数目和生成聚类中心的分布参数.因此,近年来,在理论和应用上均得到了迅速的发展,引起越来越多的关注.本文首先介绍Dirichlet过程,而后描述了以Dirichlet过程为先验分布的Dirichlet过程混合模型及其应用,接着概述分层Dirichlet过程及其在相关算法构造中的应用,最后对分层Dirichlet过程的理论和应用进行了总结,并对未来的发展方向作了探讨.

基坑底分层回弹量的实用计算方法

基坑开挖后的卸载会引起基坑的回弹,基坑开挖越深,则回弹量越大,较大回弹量会造成各种工程问题。现有回弹量计算方法需要进行专门的回弹试验或特定应力路径试验以确定回弹计算所需的模量。为了避免进行专门试验,特研究了应用常规试验所得模量与常用Mindlin解和Boussinesq解相结合,得到一种计算回弹量的简便可行方法。通过对Mindlin解和Boussinesq解计算所得应力,与e-lg p模型和Duncan-Chang模型的变形计算方法进行组合,得到4种计算方法,然后应用分层总和法计算求解基坑的回弹量,通过与实测值对比,比较4种组合计算方法的精度,得出更适合于工程实际应用的、准确性更高的基坑回弹量计算方法。经3个工程实例检验,推荐采用Mindlin解和e-lg p模型分别计算应力和模量,再应用分层总和法累加变形量,可得到与工程实测值非常相近的坑底总回弹量和坑底分层回弹量。