基于泛函序列时变自回归滑动平均模型的弹箭时变模态参数递推估计方法

随着弹簧系统朝着大型化、高速化、智能化发展,飞行状态下弹箭系统的固有特性对整体结构的影响不可忽视。针对弹箭在飞行状态下的时变模态参数辨识问题进行研究,基于泛函序列时变自回归滑动平均(FS-TARMA)模型,提出一种时变模态参数的递推估计方法。该方法采用墨西哥帽小波基作为TARMA模型时变系数的空间基底,并借鉴于无结构化TARMA模型递推估计思想,将投影参数矩阵视为振动响应数据长度的变量,实现了投影参数矩阵的递推估计。通过有限单元法建立阿里安V号芯级运载火箭时变有限元模型,对所提方法进行验证。结果表明:递推辨识方法与传统批量算法相比,在辨识精度上,3阶模态频率辨识结果最大相对误差在5%以内;在计算效率上,递推辨识方法的计算时间缩短了9.38倍。

基于泛函序列的模糊C均值算法

在模糊C均值算法的基础上,通过对原有算法进行改进,以达到加快聚类速度的目的。提出了一种使用最速下降法来优化模糊C均值算法的方法。从传统的模糊C均值算法中推导出关于聚类中心的泛函迭代序列,并证明了该序列的收敛性,以及该序列收敛到的不动点是目标函数达到的极值点。而后,使用最速下降法加快该序列收敛速度。最终通过实验结果来验证了理论的可行性。在其迭代过程中,对于越偏离理论聚类中心的点,下降趋势比传统模糊C聚类算法就越明显。

线性泛函序列的收敛和相应的特征超平面序列的收敛

在本文中，我们讨论赋范线性空间中连续线性泛函序列和相应的特征超平面序列的几种不同类型的收敛性之间的关系．从而得到连续线性泛函序列的几种收敛性的几何特征。

序列泛函网络模型及其学习算法与应用

通过对泛函网络的分析,提出了一种序列泛函网络模型及学习算法,而网络的泛函参数利用梯度下降法来进行学习.在此基础上,给出了9种典型泛函方程对应的序列泛函网络求解模型以及一种基于序列泛函网络学习算法的求解泛函方程方法.通过算例进行仿真实验,结果表明,该方法十分有效,具有收敛速度快、计算精度高、泛化性能好等特点,解决了传统的数值方法难以求解泛函方程这个问题.该方法可用于一般泛函方程求解问题.