摘要
本文在大量的室内试验基础上,较系统地对土密实度(包括干密实度和含水量)瞬态振动测试信号进行了分析,给出了土密实度振动测试的定量计算方法。主要工作如下:
1.在实验室内对制作成一定密实度的试样进行了大量瞬态振动测试,获得试样在锤击作用下的加速度和力信号。
2.对比了几种常用信号降噪方法在土密实度瞬态振动测试信号中的适用性,得到了小波阈值降噪法最适用于土密实度瞬态锤击测试信号的结论,并给出了适用于土密实度测试信号降噪的小滤阈值确定方法。
3.从时间域和频率域两个角度对土密实度瞬态振动测试信号进行了分析,提取了信号的特征参量。分析了各特征参量同土密实度之间的相关关系,并给出了相应的经验关系式。
4.根据室内试验结果对提出的几个经验关系式进行了验证,分析了各经验关系式的可靠性和精确度,并对各个关系式在土密实度定量计算中的性能进行了对比分析。
5.根据人工神经网络的基本原理,建立了土密实度定量分析的BP神经网络模型,编制了相应的分析程序,并对其准确性和可靠性进行了验证和讨论。
6.针对标准BP神经网络的缺点,提出了两种改进方法:①基于信息优化的网络学习算法;②基于遗传算法的网络学习算法。通过与标准BP算法的比较,表明这两种改进方法都能有效地提高神经网络模型的精度。
7.对本文提出的各种土密实度定量分析方法进行了对比分析,分析结果表明:基于遗传算法和信息优化的神经网络模型的分析效果最佳。
本文为土密实度的瞬态振动测试建立了整套分析方法,并通过室内试验证明了该法的可行性。这为在实际工程土密实度的测试提供了一种新的无损、可靠、快速的测定方法。
Based on a great amount of laboratory test, the instant vibration signal from soil compactness (include dry density and water content) testing is analyzed systemically and the corresponding quantitative analysis method is put forward for the determination of soil compactness. The main work is as follows.
1. By using the soil samples prepared with different dry density and water content, a great amount of instant vibration test is performed and the signals of acceleration and force are acquired.
2. The applicability of several commonly used de-noising methods is examined in signal analysis of instant vibration testing for soil compactness. The analysis result indicates that the method based on wavelet thresholds is the best. The method for determination the threshold of wavelet de-noising is also proposed to satisfy soil compactness test signal.
3. The signal of instant vibration testing for soil compactness is analyzed both in time domain and frequency domain. Some feature parameters reflecting the characteristics of the signal are extracted. The relationship between soil compactness and feature parameters is then investigated and the corresponding experiential formulas are established.
4. The experiential formulas are verified by experimental results and then-correctness and reliability is discussed. Furthermore, the capability in determining soil compactness of these formulas is compared and analyzed.
5. Based on the fundamental of ANN, the model of BP neural networks is built for soil compactness quantitative analysis, and the corresponding computer program is developed. The correctness and reliability of the model and the program are then validated and discussed.
6. To overcome the disadvantages of standard BP networks, two unproved algorithm are put forward. One is information entropy based, and the other is genetic algorithm based. By comparing with standard BP model, it shows that both the two improved methods can improve the precision of ANN efficiently.
7. Comparisons are made among the all quantitative analysis methods for the determination of soil compactness proposed herein, and the result shows that the models based on information optimization and on genetic algorithm (GA) are the best.
The dissertation established a set of analysis method for the determination of soil compactness by instant vibration testing, and the feasibility of the method was verified by laboratory test. This provides a new non- destructive, reliable and fast testing method for determining soil compactness in engineering practice.
引文
1. A. Bakhtazad, A. Palazoglu, J.A. Romagnoli. Process data de-noising using wavelet transform[J]. Intelligent Data Analysis, 1999 (3): 267~285
2. Albert Boggess, Francis J. Narcowich. A First Course in Wavelets with Fourier Analysis[M].北京:电子工业出版社,2002
3. Cattaneo, Paolo Walter. Optimal measurement of signal over noise ratio with constrained filter transfer functions[J]. Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment, 2002, 480(2-3). 726~728
4. C. Houck, J. Joines etc. A genetic algorithm for function optimization: a matlab implementation. NCSU-IE TR 95-09, 1995
5. C. John, Buregess. On digital spectrum analysis of periodic signals[J]. J. Acoust. Soc. Am. 1975;58(3):556~567
6. D. C. Erbach, G.R. Kinney etc. Strain gage to measure soil compaction[J]. Transactions of the ASAE, 1991(6):2345~2348
7. D. Goldberg. Genetic Algorithms in Search, Optimization and Machine Learning[M]. London: Addison-Wesley Publishing Company Inc, 1990
8. D. L. Donoho. De-noising by soft-thresholding [J]. IEEE Transaction on Information, 1995(3): 613~627
9. D. L. Donoho. Adapting to unknown smoothness via wavelet shrinkage [J]. J Amer Statist Assoc, 1995(9):1200~1224
10. D. L. Donoho, I. Johnstone. Ideal spatial adaptation by wavelet shrinkage [J]. Biometrika, 1994(3): 425~455.
11. D. L. Donoho, I. Johnstone. Wavelet shrinkage asymptopia [J]. Journal of Royal Statistical Society, 1995(2):301~369
12. D. Montana & L. Davis. Training feedforward neural networks using genetic algorithms[J]. Proceedings of 11th Joint Conference on Artificial Intelligence, 1989:762-767
13. D. Montana. Neural network weight selection using genetic algorithms[M]. Intelligent Hybrid Systems, 1995
14. H. Schwanghart. Measurement of contact area, contact pressure and compaction under tires in soft soil[J]. Journal of Terra mechanics, 1991(4):309~318
15. J. H. Holland. Adaptation in natural and artificial systems[M]. Ann Arbor: The University Michigan Press, 1975
16. J. M. Yang, J.T. Horng, etc. A genetic algorithm with adaptive mutations and family competition for training neural networks[J]. International Journal of Neural Systems, 2000(5):333~352
17. Jitendran Muthuswamy, Nitish V. Thakor. Spectral analysis methods for neurological signals[J]. Journal of Neuroscience Methods 83(1998):1~14
18. Kerridge N.E. 英国专利 No. 3599543. 1969.
19. K.J. Funahashi. On the approximate realization of continuous mapping by neural network[A]. Neural Networks, 1989(2):183~192
20.Konig F.美国专利 No.3775019.1970.
21.Martin.美国专利 No.3053157.1962.
22.Matin T.Hagan,Howard B.Demuth.Neural Network Design[M].北京:机械工业出版社,2002
23. M. Scholz. A learning strategy for neural networks based on a modified evolutionary strategy[J]. Proceedings of Parallel Problem Solving from Nature, 1991:314~318
24. R. Gencay. The predictability of security returns with simple technical trading rules[J] Journal of Empirical Finance, 1998(5):347~359
25. R. Hecht-Nielsen. Theory of the backpropagation neural networks[A]. Proc. Inter. Joint Conf Neural Networks, New York: IEEE Press, 1989:593~605
26. R. Kamimura. Principal hidden unit analysis generation of simple networks by minimum entropy method[J]. Proceeding of 1993 International Joint Conference on Neural Networks, 1993:317~320
27. R. Kamimura. Information theoretic competitive learning in multi-layered networks[J]. Proceedings of the 9th international conference on neural information processing, 2002:311~316
28. R. Kamimura, S. Nakanishi. Hidden information maximization for feature detection and rule discovery[J]. Network: Computation in Neural Systems, 1995(6):577~602
29. R. Kamimura, S. Nakanishi. Simple structural information for generalizationand rule extraction[J]. IEEE International Fuzzy Systems Conference Proceedings, 1999:1400~1405
30. R. J. Kalinski, W.E. Kelly. Electrical-resistivity measurements for evaluating compacted-soil liners[J]. Journal of Geotechnical Engineering, 1994(2):451~457
31. R. R. Coifman, D.L. Donoho. Translation-invariant de-noising, wavelets and statistics [M]. New York: Springer-Verlag, 1995
32. S. Chen, D.L. Donoho. Atomic decomposition by basis pursuit [J]. SIAM Journal on Scientific Computing, 1999 (1):33~61
33. S. L. Hung, H. hdeli, A parallel genetic/neural network learning algorithm for MIMD shared memory machines[J]. IEEE TRANSACTIONS ON NEURAL NETWORKS, 1994(6):900~909
34. S. Mallat. Theory for multi-resolution signal decomposition: The wavelet representation [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1989(7):674~693
35. S. Mallat, W. L. Hwang. Singularity detection and processing with wavelets [J]. IEEE Transaction on Information Theory, 1992(2):617~643
36. T. D. Bui, G. Chen. Translation-invariant de-noising using multiwavelets [J]. IEEE Trans SP, 1998 (12): 3414~3420.
37. T. M. Riseman, E.M. Forgan. Comparison of maximum entropy and FFTs of u SR data[J]. Physica B 289-290(2000):718~721
38. T. N. T. Goodman, S.L. Lee. Wavelets of multiplicity[J], Trans of Amer Math Soc, 1994(1):307~324.
39. T. R. Dowine, B.W. Silverman. The discrete multiple wavelet transform and thresholding methods[J]. IEEE Trans SP, 1998 (9): 2558~2561.
40. V. Maniezzo. Genetic evolution of the topology and weight distribution of neural networks[J]. IEEE TRANSACTIONS ON NEURAL NETWORKS, 1994(1):3953
41. Wei Liu, R. Doraiswami. Robust high resolution spectral estimation: a combined non-parametric-parametric approach[J]. Journal of The Franklin Institute 336B(1999):159~184
42. Yisong Dai. The time-frequency analysis approach of electric noise based on the wavelet transform[J]. Solid-State Electronics, 44(2000):2147~2153
43. Z. Michalewicz. Genetic Algorithms + Data Structures = Evolution Programs(Third, Revised and Extended Edition)[M]. New York: Springer-Verlag, 1996
44.边银菊.遗传BP网络在地震和爆破识别中的应用[J].地震学报,2002(5):516~524
45.卜发东.软土地区土密实度瞬态锤击测试及分析方法研究[D].杭州:浙江大学博士学位论文,2001
46.岑翼刚,孙德宝.利用小波对信号进行去噪及参数估计[J].现代雷达,2003(3):31~35
47.陈方泽,陈丙珍等.遗传算法与神经网络(Ⅰ)—用改进的遗传算法训练神经网络[J].化工学报,1996(3):280~286
48.陈明杰,倪晋仁等.典型前馈神经网络在潮流模拟中的应用与比较[J].泥沙研究,2003(5):41~48
49.陈守煜,王大刚.遗传算法-神经网络结构控制系统研究[J].水利学报,2003(5):115~120
50.陈天平,陈弘.主成分分析、神经网络及矩阵特征值[J].科学通报,1996(14):1344
51.常斌.神经网络方法在洞室施工期应力及变形预测中的应用及其改进[J].岩石力学与工程学报,2004(7):1132~1135
52.陈逢时.子波变换理论及其在信号处理中的应用[M].北京:国防工业出版社,1998
53.陈国良,王煦法等.遗传算法及其应用[M].北京:人民邮电出版社,1996
54.陈天平.神经网络及其在系统识别应用中的逼近问题[J].中国科学(A辑),1994(1):251~257
55.陈砚圃,卞正中等.信号功率谱密度的物理基础[J].电子学报,2001(11):1579~1582
56.程乾生.信号数字处理的数学原理[MI.北京:石油工业出版社,1979
57.崔锦泰著,程正兴译.小波分析导论[M].西安:西安交通大学出版社,1995
58.邓有左.半刚性基层沥青路面开裂原因及防治措施[J].公路,2001(6):54~66
59.董聪.人工神经网络:当前的进展与问题[J].科技导报,1999(7):26~29
60.董聪.广义遗传算法[J].大自然探索,1998(1):63~67
61.董聪.前向网络全局最优化问题研究[J].中国科学基金,1997(1):23~29
62.董聪,郭晓华.广义遗传算法的数学结构[J].中国科学基金,1999(2):77~80
63.董聪,郦正能等.多层前向网络研究进展及若干问题[J].力学进展,1995(2):186~196
64.董聪,刘西拉.广义BP算法及网络容错性和泛化能力的研究[J].控制与决策,1998(3):120~124
65.杜芳,卢文胜等.振动台试验测试信号去噪的小波变换方法[J].振动与冲击,1999(2):26~29
66.冯忠居,谢永利.标准击实试验最佳含水量和最大干密度的理论计算[J].长安大学学报(自然科学版),2002(2):10~13
67.龚晓南主编.土力学[M].北京:中国建筑工业出版社,2002
68.顾炳其,马荣贵.路基压实度快速测定的瞬态冲击频谱分析法[J].西安公路交通大学学报,1997(4):37~41.
69.顾汉明,宋先海等.用瞬态瑞雷波反演横波速率评价高速公路压碾效果[J].地质科技情报,2001(2):100~102
70.郭晓婷,朱岩.基于遗传算法的进化神经网络[J].清华大学学报(自然科学版),2000(1):116~119
71.郭瑜,汤宝平等.基于解析信号和带通滤波的频率细化分析[J].重庆大学学报(自然科学版),2001(4):17~21
72.韩震宇,申旭娟等.信号的多分辨率分析及其在消噪中的应用[J].四川联合大学学报(工程科学版),1999(1):52~58
73.何小荣,陈丙珍等.一种新的BP神经网络培训方法[J].化工学报,1994(5):573~579
74.何晓霞,沈玉娣等.续小波变换在滚动轴承故障诊断中的应用[J].机械科学与技术,2001(4):571~574
75.何玉敖,郭婷.遗传算法-神经网络结构控制系统研究[J].振动工程学报,2001(2):192~195
76.黄耀志,杨梦华.基于振动信号分析的地基密实度在线实时监测方法研究[J].振动、测试与诊断,1996(4):52~56
77.胡昌华,张军波编著.基于Matlab的系统分析与设计——小波分析[M].西安:西安电子科技大学出版社,1999
78.胡广书编著.数字信号处理——理论、算法与实现(第二版)[M].北京:清华大学出版社,2003
79.胡红梅,徐刚等.快速测量路基压实度的技术研究[J].江苏大学学报(自然科学版),2003(3):84~87
80.贾桓相.砂路堤的施工与压实检测[J].路基工程,2000(4):5052
81.蒋林.大型回转机械故障特征提取的若干前沿技术[D].西安交通大学博士学位论文,1996
82.姜升.煤矸石压实效果快速检测新技术[J].矿山测量,2000(2):57~59
83.焦李成编著.神经网络的应用与实现[M].西安:西安电子科技大学出版社,1995
84.焦李成编著.神经网络计算[M].西安:西安电子科技大学出版社,1995
85.焦李成著.神经网络系统理论[M].西安:西安电子科技大学出版社,1995
86.交通部公路科学研究所编.公路土工试验规程JTJ 051—93[M].北京:人民交通出版社,1997.
87.蓝金辉,李虹等.目标地震动信号的特征提取及识别研究[J].振动与冲击,2001(4):42~44
88.李冰,焦生杰编著,易晓刚主审.振动压路机与振动压实技术[J].北京:人民交通出版社,2001
89.李国文.进一步完善路用核子密湿度仪性能探讨[J].湖南交通科技,1997(3):30~32
90.李金屏,何苗.提高BP小波神经网络收敛速度的研究[J].人工智能与模式识别,2003(3):28~35
91.李雪红,徐洪钟.主成分神经网络模型在大坝观测资料分析中的应用[J].大坝观测与土工测试,2001(5):14~16
92.李秀萍,杨德刚等.应用主成分分析、聚类分析划分新疆绿洲生态经济类型的初步研究
[J].干旱区地理,2002(3):264~271
93.黎明,严超华.遗传算法优化前向神经网络结构和权重矢量[J].中国图形图像学报,1999(6):491~496
94.李鹏,董聪.基于实数编码的广义遗传算法及其在优化问题中的应用[J].控制与决策,2002(7):487~491
95.李守巨,刘迎曦等.基于进化神经网络混凝土大坝变形预测[J].岩土力学,2003(4):634~637
96.李向京,胡云昌.基于遗传算法-神经网络混合训练技术的结构近似可靠分析方法[J].土木工程学报,2000(5):40~45
97.李小勇,冯伟凯.气囊式容积测定仪测试精度的试验研究[J].华东公路,2003(5):49~53
98.李小勇,富志根.路基压实密度气囊检测方法研究[J].岩土工程学报,2003(5):619~623
99.李小勇,徐瑞军等.新型水囊式容积测定仪测试精度室内试验研究[J].岩土工程技术,2002(6):330~333
100.刘爱萍.宝成二线路基基庆与道床密实度试验研究[J].路基工程,2001(1):29~31
101.刘宝健,谢定义.随机荷载下土动力特性测试分析法[M].北京:人民交通出版社,2001
102.刘东,沈玉娣.视觉的选择性注意力机制在振动信号处理中的应用研究[J].西安交通大学学报,2001(1):79~83
103.刘进明,应怀樵.FFT谱连续细化分析的富里叶变换法[J].振动工程学报,1995(2):162~166
104.刘立国,林喜林.核子密度含水量仪现场修正与使用[J].中南公路工程,1998(2):61~63
105.刘曙光,殷明.子波消噪技术及其应用[J].西北纺织工学院学报,1999(1):16~20
106.刘真,王欣.基于非线性多小波变换的信号去噪方法[J].系统仿真学报,2003(8):1074~1075
107.陆金桂,余俊等.基于人工神经网络的结构近似分析方法的研究[J].中国科学(A辑),1994(6):653~658
108.卢文祥,杜润生.机械工程测试、信息、信号分析(第二版)[M].武汉:华中理工大学出版社,1999
109.罗永忠,祝世强等.内宜高速公路K96+800~K99+380段路基病害成因及防治方法探讨[J].水文地质工程地质,2002(3):35~37
110.马荣贵,杭国华等.压实度快速测定中含水量的影响[J].西安公路交通大学学报,2000(1):61~62
111.孟建.大型回转机械运行状态评价与预报方法的研究[D].西安交通大学博士学位论文,1996
112.南京大学数学系计算数学专业编.数值逼近方法[M].北京:科学出版社,1978
113.聂伟荣,朱继南.基于改进BP网络的地震动信号目标识别[J].南京理工大学学报,2000(1):20~24
114.欧阳爱媛.压实导致良好的路面性能——孔隙率是关键因素之一[J].国外公路,1999(2):13~15
115.潘志,贺祖琪主编.数学手册[M].徐州:中国矿业大学出版社,1995
116.彭玉华.小波变换与工程应用[M].北京:科学出版社,1999
117.彭玉华,汪文秉.小波用于估测散射波波达时间及去噪[J].电子学报,1996(4):113~116
118.强琳,刘贵忠.利用小波变换多尺度传播特性实现地震信号去噪[J].西安交通大学学报,1998(1):29~32
119.沙庆林.公路压实与压实标准(第三版)[M].北京:人民交通出版社,1999.
120.申凡,郑敏等.一种基于互功率谱密度的频域模态识别法[J].振动工程学报,2001(3):259~262
121.沈青,胡德文等编著.神经网络应用技术[M].长沙:国防科技大学出版社,1993
122.盛安连.路基路面检测技术[M].北京:人民交通出版社,1999.
123.盛安连,顾炳其.路基压实度快速测定瞬态冲击法[J].土木工程学报,1998(1):67~71
124.苏怀智,吴中如.遗传算法在大坝安全监控神经网络预报模型建立中的应用[J].水利学报 2001(8):43~47
125.苏晓生,林喜荣.基于小波变换的掌纹特征提取[J].清华大学学报(自然科学版),2003(8):1049~1052
126.孙淑勤,李雯.中、日公路土质路基压实控制方法比较[J].国外公路,2001(2):37~39
127.孙祖望,卫雪莉等.振荡压实的动力学过程及其响应特性的研究[J].中国公路学报,1998(2):117~126
128.王克中,田新栓等.土工压实快速测试新方法的研究[J].公路,1994(4):23~28
129.王兰民,袁中夏等.干密度对击实黄土震陷性影响的试验研究[J].地震工程与工程振动,2000(3):75~80
130.王鹊.振荡压实的随车监测[J].西安公路交通大学学报,2000(4):49~52
131.王业山,郭佳等.高路基出现沉陷、滑坡的成因分析及其处治[J].华东公路,2001(6):15~17
132.王小平,曹立明.遗传算法——理论、应用与软件实现[M].西安:西安交通大学出版社,2002
133.王永平,陈彦江等.桥面平整度的极大熵分析[J].哈尔滨建筑大学学报,1995(2):115~123
134.卫雪莉.中国专利No.88108315.1.1988.
135.卫雪莉,孙祖望等.压实控制技术的现状与展望[J].筑路机械与施工机械化,4~11
136.卫雪莉,孙祖望等.振荡压实的动力学过程及其响应特性的研究[J].中国公路学报,1998(2):117~126
137.魏广芬,唐祯安等.基于主成分分析和BP神经网络的气体识别方法研究[J].传感技术学报,2001(4):291~297
138.魏雅光,周群抚等.填土密实度检测新技术在堤防加固工程中的应用[J].水利水电技术,2002(2):72~73
139.文莉,刘正士.小波去噪的几种方法[J].合肥工业大学学报(自然科学版),2002(6):167~172
140.温熙森,陈循等.机械系统动态分析理论与应用[M].长沙:国防科技大学出版社,1998
141.吴传生,梁劲松.振动测试信号处理的小波变换方法[J].武汉理工大学学报,2002(12):69~72
142.吴春来.压实度检测[J].东北公路,1995(4):50~53
143.吴潜蛟,顾炳其等.LY—1型路基压实度快速测定仪的研制[J].西安公路交通大学学报,1999(1):38~40
144.武雅丽,王鹊等.振荡压实度计的试验与研究[J].中国公路学报,1998(4):121~126
145.吴中伟,杨世华等.小浪底工程击实试验结果的可靠性研究[J].华北水利水电学院学报,2001(4):30~32
146.奚建猛.盐青公路桥立交涵洞问题的处理[J].江苏水利,2001(9):27~28
147.肖春杰,杜若甫.中国人群基因频率的主成分分析[J].中国科学(C辑),2000(4):434~443
148.谢杰成,张大力等.基于小波系数多尺度随机过程模型的去噪方法[J].清华大学学报(自然科学版),2003(9):1222~1225
149.谢荣生,李汉杰等.基于多小波噪声方差阈值的信号滤波方法[J].哈尔滨工程大学学报,2002(4):51~54
150.徐刚,盛安连等.新颖的路基压实度测定方法的研究[J].农业机械学报,2001(3):20~23
151.许稼,朱裕生.一种基于小波分析的雷达目标多重变换特征提取方法[J].空军雷达学院学报,1999(1):11~16
152.徐联奇.一种研究路基填料最大干密度的方法[J].路基工程,2000(4):14~16
153.玄光男,程润伟著,于歆杰,周根贵译.遗传算法与工程优化[M].北京:清华大学出版社,2004
154.薛政群.击实试验频率与土基压实检验结果的关系[J].公路,1996(10):31~33
155.杨成林.瑞雷波法勘探原理及其应用[J].物探与化探,1989(6).
156.杨成林,时福荣等.应用瑞雷波等方法对公路质量进行无损检测[J].物探与化探,1996(2):104~115
157.杨其俊,裴峻峰等.小波消噪及其在往复泵振动监测信号处理中的应用[J].振动与冲击,2000(2):20~23
158.杨人凤,张永新等.土的冲击压实试验研究[J].中国公路学报,2003(7):31~34
159.张建仁,刘扬.遗传算法和人工神经网络在斜拉桥可靠度分析中的应用[J].土木工程学报,2001(1):7~13
160.张俊军.一种快速检测压实度的试验方法—美国ASTM D5080-93简介[J].中国市政工程,1998(3):17~20
161.张文修,梁怡.遗传算法的数学基础[M].西安:西安交通大学出版社,2000
162.张献民,宋长柏等.瞬态振动信号在公路工程检测中的应用[J].河北工业大学学报,2001(2):57~61
163.张献民,王建华.公路工程瞬态激振无损检测技术[J].土木工程学报,2003(10):105~110
164.张晓冰,程日盛等.我国高速公路沥青路面厚度现状调查分析[J].河南交通科技,1999(1):22~25
165.张志涌等编著.精通MATLAB(5.3版)[M].北京:北京航空航天大学出版社,2000
166.张子瑜,吴镇扬等.机组运行趋势的小波包掩模去噪研究[J].机械工程学报,2000(5):93~96
167.郑海波,陈心昭等.基于小波包变换的一种降噪算法[J].合肥工业大学学报(自然科学版),2001(4):459~462
168.中国电子(仪器仪表)学会信号处理学会《振动数字信号处理程序库》编委会编.振动数字信号处理程序库[M].北京:科学出版社,1988
169.仲济刚,魏迎奇等.用剪切波速估算土的原位干密度[J].大坝观测与土工测试,2000(3):48~50
170.钟佑明,汤宝平等.离散傅立叶变换(DFT)计算中的一问题的论证[J].重庆大学学报(自然科学版),2001(3):1~4
171.周树华.可变能量动力触探仪及其对比试验[J].工程勘查,2000(3):37~39
172.周祥,何小荣.基于最优变异因子的遗传算法在ANN训练中的应用[J].清华大学学报(自然科学版),2002(5):619~621
173.周翔,朱学愚.基于遗传学习算法和BP算法的神经网络在矿坑涌水量计算中的应用[J].水利学报,200(12):59~63
174.周烨,郑辉等.浅析击实试验的影响因素及其应用[J].辽宁省交通高等专科学校学报,2002(2):46~48
175.朱自强,李海明等.双学科(气动/电磁)优化中的遗传算法研究[J].中国科学(E辑),2003(5):459~466
176.邹剑,陈进,耿遵敏.波形恢复中最佳傅里叶滤波器的理论及应用[J].振动工程学报,2002,15(2):239~242