提出了一类新的四维分数阶超混沌系统,对其动力学特性进行了理论分析和数值模拟.通过Lyapunov指数谱和分岔图分析了系统对阶次变化的敏感性.当微分阶次连续变化时,系统既存在混沌特性又存在周期特性.然后根据分数阶超混沌系统同步及扩频通信理论,提出了一个扩频通信方案.该方案使用混沌信号序列作为直接扩频通信系统的扩频地址码,用于替换传统的码分多址(CDMA)通信系统中的伪随机序列(PN序列).最后,基于该分数阶超混沌系统设计一个扩频通信电路,在Multisim平台上验证了该方案的有效性和可行性

一、多晶体和亚组织 (一)概念 1、单晶体把晶体看成是由原子按一定的几何 规律作周期性排列而成的,即晶体内部的晶格位 向是完全一致的晶体,这样的晶体称为单晶体 实际使用的工业金属材料,即使体积很小,其内 部仍包含了许多颗粒状的小晶体,每个小晶体内 部的晶格位向是一致的,而各个小晶体彼此间的 位向都不同

人們對液氧炸藥的印象是不安全和操作復雜,從而它在中國金屬礦山系統被禁止使用。但液氧炸藥價格便宜,爆力及猛度大,而且在中國某礦曾使用了新的操作方法並在4~5年內未發生過一次事故,這是值得引起人們註意的一個問題。評述液氧炸藥的安全性應根據吸取劑及裝藥方法不同而不同,不能以一種最不安全條件而將它全部否定。外浸法具有沖擊,摩擦,火花與靜電的危險性,釆用它應有可靠降感,防火及防電措施。內浸法沒有由沖擊,摩擦輿火花而引起的過早爆炸危險。對於靜電的規律正在進行研究中。采用內浸法的主要問題是如何使劑包浸透均勻,它的措施是使液氧流動的方向與氧氣逸出的方向不相混投。經過一定改造的並具有一定安全措施的液氧炸藥,可以推廣使用

网页作为一种新兴的媒体,正成为当今 人们获取信息的重要方式。随着网络技 术的发展,单调的页面及布局已经能做 得像其他媒体一样丰富多彩了。就目前 而言,要想改变静态页面呆板的面貌, 并且突破网络传输速度的限制,相信每 一个网络设计人员都会说,使用 Flash 的确,目前 Flash在网络设计上的应用正 像它的名字一样光彩照人、势不可挡

回声状态网络是近年来新兴的一种递归神经网络,独特而简单的训练方式以及高精度的训练结果已使其成为当前研究的热点之一.在该网络中,引入了储备池计算模式这一新的神经网络的建设方案,克服了之前网络模型基于梯度下降的学习算法所难以避免的收敛慢和容易陷入局部极小等问题.围绕这种新型网络结构,国内外许多学者开展了多样的研究.本文全面深入介绍了回声状态网络这一新兴技术,讨论了回声状态网络的优缺点,并综合近年的研究现状,总结了回声状态网络的主要研究工作进展和未来的研究方向

研究电渣重熔过程冷却强度对含镁H13钢凝固组织和碳化物偏析的影响.采用光学显微镜、扫描电镜、透射电镜、X射线衍射仪等分析凝固组织及碳化物的特征.研究发现,钢锭的凝固组织均为马氏体组织、残余奥氏体及一次碳化物.H13钢电渣锭中主要析出的一次碳化物为V8C7、MC、M23C6及M6C.随着冷却强度增加,电渣锭边部碳化物的尺寸减小且分布更加均匀,但是碳化物的类型不发生变化.电渣重熔过程中冷却强度增加促进钢中镁对夹杂物的变性能力,经过镁变性后生成的MgO·Al2O3为TiN的析出提供形核质点,MgO·Al2O3和TiN的复合夹杂物能够促进一次碳化物异质形核,从而细化一次碳化物

为了进一步了解攀钢转炉渣特点,根据六个二元相图绘制和测定了CaO-SiO2一V2O5,FeO-SiO2-V2O5和CaO-FeO-V2O5三个三元相图,并应用这些相图说明含炉渣的一些特性。讨论了含钒转炉渣在炼钢过程中的行为。计算和说明了一些常见的氧化物对炉渣性能的影响以及它们在渣中对MgO饱和度的影响

针对一类具有空间不均匀性的辨识和回归问题，提出了基于小波分析的极限学习机方法.从多分辨率分析的思想出发，构造一簇紧支撑正交小波作为隐层激活函数，并利用改进的误差最小化极限学习机训练输出层权重，避免了新加入高分辨率子网络后的重新训练.同时，由一维多分辨分析的张量积构造了二维多分辨小波极限学习机.进而通过脊波变换将小波学习机扩展到高维空间，对脊波函数的伸缩、方向和位置参数进行优化计算.对具有奇异性的函数仿真结果证明，与标准极限学习机相比，小波极限学习机由于其聚微性能在极短的训练时间内更好地逼近目标.一些实际基准回归问题上的测试验证了脊波极限学习机在其中大部分问题上达到更高的训练和泛化精度

针对一类具有下三角结构的单输入单输出不确定非线性系统,研究其稳定控制问题.提出一种结构简单、收敛速度可控以及抗扰性能良好的基于Backstepping方法的串级主动补偿控制策略,实现了闭环系统的渐近稳定控制.为解决闭环系统中不确定非线性未知问题,设计一种新的观测器,使得这种观测器能够实时跟踪闭环系统的不确定非线性.通过引入奇异扰动性理论,给出了闭环系统稳定性分析.仿真实验结果验证了该控制方法的有效性

利用K均值聚类和增量学习算法扩大训练样本规模,提出一种改进的mRMR SBC.一方面,利用K均值聚类预测测试样本的类标签,将已标记的测试样本添加到训练集中,并在属性选择过程中引入一个调节因子以降低K均值聚类误标记带来的风险.另一方面,从测试样本集中选择有助于提高当前分类器精度的实例,把它加入到训练集中,来增量地修正贝叶斯分类器的参数.实验结果表明,与mRMR SBC相比,所提方法具有较好的分类效果,适于解决高维且含有较少类标签的数据集分类问题