流固两相流的稀疏离散相模型研究进展

流固两相流中稀疏离散相广泛存在于化工、储运、分离等工程实际应用中,其复杂的湍流运动规律的描述是目前两相流研究的热点和难点之一。对流固两相流中稀疏离散相模型的发展历程进行了综述和分析,从离散相轨道模型的理论依据、建模过程、数值模拟方法以及应用情况等几个方面详细地分析了离散相既定轨道模型、随机轨道模型、改进随机轨道模型等模型,并针对离散相和连续相间的相互耦合关系进行了阐述,进而对相应的模型进行了评价;并指出离散相轨道模型目前存在的问题和今后发展的方向,对连续相脉动速度进行随机处理提出基于随机Fourier级数描述离散相合力的改进随机轨道模型,从而较好地描述离散相的运动规律,同时结合考虑两相耦合的方法建立两相流的全耦合振动动力学模型,可全面、系统地描述流固两相流中稀疏离散相的运动特征,为流固两相流中稀疏离散相模型的深入发展提供前期基础。

基于稀疏离散τ-p变换的叠后地震道外推

这里研究的是一种基于稀疏离散τ-p变换的地震道缺失重建方法。该方法根据叠后零偏移距剖面,在局部时窗内可以看作是一系列线性同相轴的组合,使用稀疏离散τ-p和预条件双共轭梯度算法进行地震道外推,使空间方向的缺失道得到恢复。τ-p变换由于信息不足,有限的孔径和离散等因素,导致在τ-p域的结果存在假象、不准确,而在τ-p域进行稀疏对于重建缺失的信息是非常有用和必要的。同时,还可使用迭代的预条件双共轭梯度算法进行计算。

基于稀疏离散τ-p变换的叠后地震道内插

τ-p变换是一种有效的地震数据插值方法,但在实际应用中,由于存在着地震数据信息量不足及有限的孔径和离散等因素,往往导致在τ-p域的地震数据插值结果存在假象、不准确。研究表明:在τ-p域对地震数据进行稀疏,即正确选择离散参数的采样对于重建缺失的地震信息非常重要。为此本文提出了一种基于稀疏离散τ-p变换的地震道内插方法。该法根据叠后零炮检距剖面在局部时窗内可以看作是一系列线性同相轴的组合,使用稀疏离散τ-p变换和预条件双共轭梯度算法进行地震道内插。理论数据试算和实际资料处理结果证实该法能使地震数据空间方向的采样得到加密,有效去除了空间假频。

基于稀疏离散τ-p变换的非均匀地震道重建

在三维地震勘探中,地震数据的空间采样往往存在非规则化的现象,这对后续的处理,尤其是波动方程偏移,将造成很大的影响。而常规的τ-p变换由于信息不足、有限的孔径和离散等因素,使得τ-p域的结果不准确,存在假象。针对这一问题,提出了一种基于稀疏离散τ-p变换的非均匀地震道重建方法。该方法根据局部时窗内地震同相轴可以看作是一系列线性同相轴的组合的原理,使用稀疏离散τ-p变换和预条件双共轭梯度算法进行地震道重建,使空间方向不均匀采样得到规则化重建。理论计算和实际资料处理的结果表明,用该方法重建的地震道,在波形、振幅和相位等方面与原始数据拟合较好。

基于稀疏预处理和循环观测的语音压缩感知

基于压缩感知原理提出将语音信号DCT域上的小系数在一定阈值下置零预处理来改善变换域稀疏性;用三种方法构造循环观测矩阵作为观测矩阵来代替高斯随机矩阵,并证明了构造的观测矩阵与DCT基之间的非相关性;利用OMP正交匹配追踪方法对观测信号进行恢复。仿真实验结果表明,预处理后使用循环观测在不同压缩率下有更低的重构误差,同时分析各帧信噪比情况保证在比较低的压缩率下仍能得到良好的主观评估。

被动式近零能耗建筑日耗热量预测仿真

由于被动式近零能耗建筑实际日耗热量受多种因素影响、特征难提取,导致日耗热量预测难度较大。为此,提出一种基于离散稀疏函数的建筑实际日耗热量预测方法。采用离散稀疏函数计算历史建筑日耗热量数据,在不同维度层次上特征向量和稀疏参数,利用激活函数建立偏离惩罚项,明确每个热量先验信息数据与中心值间的偏离度。采用线性传递函数求得会影响实际日耗热量间的线性变化关系,建立时间序列,采用自回归算法得出时间和热量的正向变化序列,实现对日耗热量的预测。实验数据证明,所提方法日耗热量预测精准度较高,针对热负荷、冷负荷以及预测平均评价(Predicted Mean Vote, PMV)指标均实现了高效预测。

基于离散稀疏A^(*)的无人机航路规划

在无人机飞行过程中,由于其自身的物理限制和战术使用要求,在进行航路规划时,需要考虑航路的机动约束条件。基于图搜索的航路规划算法通常是在离散地图上全方向搜索,没有考虑实时的航向角信息。针对该问题,分析了地理信息存储方式,采用正方形栅格模型构建无人机的规划空间,通过控制栅格间距来满足无人机的最小航路段长度约束,通过控制当前航向角和栅格形状来满足无人机的最大转弯角约束,同时也能利用动态RCS特性,降低被探测的概率。针对现有算法在离散空间下规划约束航路存在的问题,设计了离散稀疏A*算法,将无人机的航向角信息存入离散的栅格中,并且对其节点存储方式进行优化,对成本函数和启发函数进行重新设计。在构建的规划空间中,利用离散稀疏A*算法进行无人机自主航路规划仿真试验,发现提出的离散稀疏A*算法能够有效地约束无人机的路段长度和航向角,满足实际无人机的机动约束和突防任务需求。

基于层级实时记忆算法的时间序列异常检测算法

时间序列异常检测是数据分析中一个重要的研究领域.传统的时间序列的异常检测方法主要通过比较检测数据和历史数据的差异程度,以判断被检测数据是否为奇异点(Surprise)、离群(Outlier)点等.然而序列和窗口的划分,状态的划分或者异常的定义和判定等问题,使得这类方法存在一定的局限性.本文针对传统时间序列检测算法不足,提出一种基于层级实时记忆算法的时间序列异常检测算法.该方法对时间序列内在模式关系进行学习,建立预测模型,通过比较预测值和真实值的偏离程度来判断数据是否异常.首先使用稀疏离散表征在保证保留数据相关性的同时又将数据离散化;然后输入到模型网络,预测下一时刻的数据值;最终根据预测值和真实值的差异为数据异常程度进行定量评分.在人造数据和真实数据上的实验表明,该方法能够准确、快速地发掘时间序列中的异常.

稀疏离散线性递归序列的区分

本文主要讨论了生成多项式是本原多项式的稀疏离散线性递归序列上已知k个值唯一确定其生成多项式的条件.给出了区分本原多项式的概念,讨论了区分N个本原多项式的充要条件,给出了由任意给定的k个位置上的值区分N个本原多项式的概率分布函数.

基于层级实时记忆模型的用电行为预测研究

电力用户的用电行为数据中蕴含巨大的商业价值。以层级实时记忆理论为基础,利用稀疏离散表征、空间沉积池技术来表征数据中蕴含的特征,使用KNN分类算法构建分类器,对国网冀北公司的大工业用户用电行为数据进行学习,得到电力容量变更行为预测模型,并与其他主流的电力行为预测方法进行比较。实验证明,HTM模型具有更高的准确度,并可在线预测,减少预测过程中的过拟合问题,提高自适应性。

基于压缩感知与LS_SVM的三维组织表面重建

针对在三维表面上均匀采集的少量数据点,提出一种基于压缩感知与最小二乘支持向量机(LSSVM)的三维组织表面重建方法.通过结合采用拟合与插值方法得到与待重构表面数据相同数目的数据点集,采用离散余弦变换(DCT)分别得到其三维坐标的稀疏系数,用设计的自适应观测矩阵进行观测,并选用正交匹配追踪算法作为重构算法,最后采用LS-SVM回归预测模型对压缩感知重构结果进行修正.实验结果表明:该重建方法得到的组织表面数据误差小,能保持在1mm左右,重建表面光滑,为基于虚拟现实的虚拟手术系统提供了精确的表面数据模型.