基于部分集卡到达信息的码头进口箱翻箱优化

集装箱码头进口箱提箱作业过程中,由于外集卡到达时间的不确定性,存在外集卡提箱顺序与目标箱的堆存位置不一致,从而产生大量翻箱.为了解决这一问题,本文以期望翻箱量最小为落箱位置的选择原则,提出最小化二次翻箱启发式算法,利用算例验证算法的有效性,分析集卡到达的信息质量对进口箱提箱翻箱的影响,根据集卡到达信息质量的不同选择最佳翻箱规则.结果表明:提出的翻箱策略可以在获得部分集卡到达信息下有效地减少翻箱,针对不同的集卡到达信息质量,采取相应翻箱规则进行翻箱作业能有效减少翻箱,提高码头堆场的作业效率.

基于相干性框架的部分支集已知的信号重建

文章使用l_(2)-αl_(2)(0<α≤1)最小化模型利用信号自身的先验支撑信息来重建高维稀疏信号。这是首篇基于相干性框架的部分支集已知的信号重建,重点讨论3种噪声(l_(2)有界噪声、Dantzig Selector噪声和脉冲噪声)情形下信号鲁棒恢复的充分条件和误差估计。

一类周期结构的部分组集有限元法及静动力分析

本文分析了周期结构经有限元离散所形成系数矩阵的元素分布，提出部分组集的有限元法；随后将块ＳＯＲ、块共轭梯度等方法用于求解相应的线性代数方程组，并以此改造求解大型特征值问题的Ｌａｎｃｚｏｓ算法。这些工作使得在一类周期结构静动力分析中能够避免对大规模代数方程组的直接计算。

基于部分支撑集的L1范数稀疏重构算法

针对压缩感知理论中,现有的优化L1范数稀疏重构算法在重构源信号时,当且仅当稀疏度小于等于观测信号长度一半时才能够正确重构源信号的问题,提出了部分支撑集的L1范数稀疏重构算法。改进算法采用线性规划方法最小化源信号"尾部"支撑集的L1范数,能够在稀疏度大于观测信号长度一半时正确重构出源信号。仿真结果表明,在不同信噪比和稀疏度条件下,所提算法的重构精度优于现有的优化L1范数的稀疏重构算法和正交匹配追踪的稀疏重构算法。

一种面向多文本集的部分比较性LDA模型

跨时空、跨文化文本挖掘等比较性文本挖掘(comparative text mining,CTM)旨在从多个可比的文本集中发现各文本集隐含语义结构的异同.针对当前主要的CTM模型只能分析公共话题的缺陷,提出一种部分比较性跨文本集LDA模型(partial comparative cross collections LDA model,PCCLDA)来实现跨文本集的话题分析,该模型通过层次狄利克雷过程(hierarchical Dirichlet processes,HDP)把话题划分为公共话题和文本集特有话题,使模型能更加精确地对文本进行建模.模型采用Gibbs抽样方法进行参数推导,一系列包括Held-Out数据对数似然和模型困惑度指标在内的定量与定性的实验表明,模型不仅能够发现公共话题在不同文本集中的差异,而且能分析各文本集特有的话题;在Held-Out对数似然测度和模型困惑度指标上,PCCLDA相对当前两个主要的CTM模型具有较大的优势.

基于l_(1)-l_(2)最小化的部分支集已知的信号重建

压缩感知是近几年应用数学范畴较为热门的前沿课题,是一种新型的采样理论,主要是考虑从较少的线性测量中利用信号自身的各种先验信息来恢复高维稀疏信号.文章通过l_(1)-l_(2)最小化方法对部分支集已知的信号提出了重建的一个新的充分条件,并得到信号恢复稳定和鲁棒的误差估计.

基于部分支撑集检测的WBAN数据处理机制

在利用无线体域网监测生理信号的过程中,直接运用已恢复信号的支撑集会降低网络能量的有效性。为此,提出一种基于部分支撑集检测的数据处理机制。根据信号的多尺度小波系数衰减特征,以迭代支撑集检测的方式求解初始支撑集,结合已恢复信号的支撑集并采取交集运算分离出正确支撑集信息。在此基础上,通过正交多匹配追踪(OMMP)算法恢复数据。仿真结果表明,与OMP、OMMP算法相比,该机制在保证信号恢复质量的同时可以提高数据压缩率。

周期结构的部分组集有限元法

本文分析了周期结构经有限元离散所形成系数矩阵的元素分布，提出部分组集的有限元法．

叠前反演中部分叠加道集的优化校正

在叠前反演过程中,常常遇到近、中、远部分道集叠加的时间、振幅等不闭合现象,其结果导致弹性参数反演的质量与可信度下降。本文使用目标层位控制、残差数据相关性判别、质控因子等方法进行部分道集数据的闭合校正。首先确定期望输出道集数据以及相应的目标层位与时窗后,计算待校正数据与期望输出数据的残差互相关系数;再利用相关系数判别待校正道集与期望输出道集的相关程度,对不符合反演要求的道集数据,引入均方根振幅指数、预测指数这两个质控因子对待校正道集进行优化;最后使其与期望输出道集较好闭合。实例证明,利用归一化均方根振幅指数和预测指数因子优化时移量和振幅缩放系数,能够相对可靠的控制部分道集校正的质量,提高叠前反演的效果。

基于l1-al2最小化的部分支集已知的信号重建

压缩感知中测量矩阵的限制等距性在一定条件下可以确保重建稀疏信号。文章在l1-al2(0 < a≤1)最小化问题模型下,根据已知信号的先验支撑信息,利用测量矩阵的限制等距性,研究了三种噪声(高斯噪声、脉冲噪声、均匀噪声)情形下信号恢复的充分条件。这些条件直观地揭示了测量矩阵的限制等距性和信号恢复之间的密切关系。

齐次三部分Cantor集的一个几何性质

令C_β为压缩率为β∈(0,1/3)的齐次三部分Cantor集.本文研究一个可视性问题:对给定的β∈(0,1/3),考虑是否存在过原点(0,0)斜率为λ的射线L_λ(λ∈(0,1)),使得其与集合C_β×C_β相交仅仅包含原点.利用重正规化方法得到了一些结果.

控制集与部分控制集问题的原始-对偶算法

图的控制集问题是一类应用广泛的组合最优化问题。本文利用控制集和部分控制集问题的整数规划模型和原始-对偶方法,分别给出这两个问题近似度为Δ+1的近似算法(Δ为图中顶点最大度)。

部分流颗粒捕集器效率及对发动机性能的影响

颗粒捕集技术是降低柴油机颗粒物排放的最有效的手段之一,但是加装部分流颗粒捕集器后会对柴油机的性能产生一定影响。本试验在发动机台架上进行了柴油机的欧洲稳态循环(ESC)测试,随着捕集器内沉积颗粒物的增多,分析了捕集效率对柴油机排气背压、燃油经济性以及排放特性的影响。试验结果表明:加装部分流颗粒捕集器后柴油机NOX排放变化不明显,但是随着沉积颗粒物的增多,最终燃油消耗率增加4%左右,排气背压上升约9 kPa。

基于射线理论的角度道集提取方法综述

本文研究了提取角度道集过程中的不同方法对结果的影响,炮检距和入射角之间的转换方法多种多样,需要根据实际资料特征进行合理选取.插值法和菲涅尔带法依然是提取角度道集的基本方略,信噪比高的资料运用插值法可以高精度地还原AVO特性.提取部分叠加道集的方法也有多种,在有噪音的情况下,角度扫描道集上的部分叠加能更加准确得体现AVO信息.

演绎对象数据库SD-DOOD中集合的应用和实现

基于复杂对象的逻辑推理一直是演绎对象数据库中的研究热点。论文叙述了集合在演绎对象数据库中的应用和实现技术,重点介绍了部分集在规则中的两个作用:列举集合中的所有元素和聚集集合中所有元素。同时讨论了完整集的交、并、划分和差等运算的实现思想。

偏序集与不同种广义拟阵间的包含关系(英文)

众所周知 ,偏序集理论在研究广义拟阵论中起着重要作用 .但是偏序集理论与不同种广义拟阵间的包含关系的直接联系是什么呢 ?怎样运用偏序集理论的手法去解决该问题呢 ?为得到答案 ,首先对于定义在同一集上的全体广义拟阵构造一个偏序关系 ,运用这种偏序关系讨论不同种的广义拟阵间的包含关系 .多数结论是以构造方式给出 。

一类均匀康托集的Hausdorff中心测度

本文研究了均匀2n部分康托集的Hausdorff中心测度.利用极大中心密度与Hausdorff中心测度之间的关系,确定了均匀2n部分康托集Hausdorff中心测度的精确值.

论集部文献的分类源流

集部是我国古籍目录分类的一个重要门类,著录了历代各种体裁的文学作品,形成了丰富的集部文献,也因此有了集部文献的分类。在我国目录学史上,集部文献的分类以及这种分类在后代目录书中的演变经历了漫长的过程。集部文献的产生和分类源于我国古代文学的繁荣,而集部文献的分类又促进了我国古代文学的进一步繁荣,它反映了人们图书目录知识的不断深化,对我国古代书籍的保存以及古代文化的繁荣与传承起了重要的作用。

优化的蚂蚁追踪技术在四川盆地Y1井区的应用研究

四川盆地Y1井区经历多期构造演化,发育的断裂具有多期次、多尺度、多类型、多走向等特征,在已钻井中发生了严重的井漏。利用常规的地震解释方法,较难达到精细刻画断裂的要求,也难以捋清断裂期次和展布。针对研究区实际情况,提出了用于研究区裂缝预测的优化的蚂蚁追踪技术:首先,对预处理后的叠前道集数据进行部分角度道集叠加,计算得到不同的蚂蚁追踪数据体;然后,对比各蚂蚁追踪结果的沿层切片、剖面和井震对比,优选出最终的部分角道集叠加数据作为蚂蚁追踪的输入数据;最后,综合统计出研究区的断裂产状特征,设置合理的产状参数,进行产状控制下的蚂蚁追踪计算,得到高精度的裂缝数据体。与全叠加的蚂蚁追踪结果和方差数据体相比,该数据体刻画的裂缝更为清晰,在平面及剖面解释上能够体现更多的断裂细节,且与泥浆漏失点吻合。该方法不但提高了裂缝检测精度,也为下一步的构造期次分析提供了可靠的数据基础,并且为未来的水平井部署指明了方向。

均匀三部分康托集的Hausdorff中心测度

均匀三部分康托集K(λ,3)是满足开集条件的自相似分形集．本文通过一个概率测度μ在点x的上球密度的计算给出了K(λ,3)的s维Hausdorff中心测度的精确值,其中s=logλ1/3是K(λ,3)的Hausdorff维数．