模式识别与成矿预测Ⅱ——Hamming方法及其在花岗岩型铀矿预测中的应用

本文首次将Hamming的模式识别方法引入我国地质找矿预测。Hamming方法在确定对象、特征提取及投票等方面与Cora-3方法相同，不同之处在于学习阶段。Hamming方法的学习阶段，先是计算D类（有矿类）的Hamming，确定核后，计算每一对象与D类Hamming核之间的距离Di，当给出一定的阈值T时，便可按一定规则进行分类。本文确定的187个对象，选择了11个特征进行模式识别，其误识率为17．5％，识别结果比较稳定。删除特征的控制试验证明：NEE向主干断裂、主干断裂与次级断裂的节点数，次级断裂之间的节点数，地层、复式岩体等与矿床的定位有着非常密切的关系。Hamming方法原来只在AX机上运行，经笔者修改调试，可在长城0520机上进行计算，从而大大增加了其实际应用性。

最优化方法在开发可充电式混合动力车中的应用

为提高混合动力车的能量转换效率,开发了可充电式混合动力车的模型,应用多种全局最优化方法对回路中的汽车模型进行了优化,在有限操作状态下,使动力/机械能量转化效率达到最高。将优化结果输入控制模型中并进行仿真运算,结果表明,采用该模型可使能量效率得到显著提高。经过比较,基于混合元模型的自适应全局最优化(HAM)方法能兼顾精度和效率,用远远少于其他方法的计算时间得到了相似精度的结果。