纤维加筋土技术国内外研究进展

根据国内外近20年来在纤维加筋土技术方面取得的研究成果,主要对纤维加筋土的力学特性、变形特性、本构模型、动力特性及天然纤维加筋土应用技术等方面的研究现状进行了介绍。研究发现,针对纤维加筋土的强度特性进行的大量研究均表明,加筋纤维能有效提高土体的抗剪、抗压、抗拉强度和承载力,降低膨胀土的胀缩性,而纤维含量、纤维长度及龄期是影响纤维加筋土强度和变形的主要因素;在动力特性方面,纤维加筋可以提高土体的动力学性能,但相关研究较少,尚未形成系统的理论;在本构模型方面,目前的模型主要用于预测纤维加筋土的抗剪强度,缺少能够完整描述纤维加筋土应力应变关系的本构模型。在天然纤维加筋土及其应用方面,由于是近年来才逐步开展的研究,尚缺少大范围的研究,理论还不完善。最后,对纤维加筋土研究现状进行了概括,并针对目前研究中的不足,提出了今后该领域的研究重点和方向,主要包括:开展大试样及大尺度模型试验、纤维加筋土的本构模型研究、纤维加筋土的动力学特性研究、纤维加筋特殊土研究、天然纤维加筋土的系统研究等。     

M2W型发射机射频功率放大模块工作原理及维护研究

该文从M2W型发射机射频功率放大模块的电路结构特点出发,分析了M2W型发射机射频功率放大模块的工作原理,并介绍了M2W型发射机射频功率放大模块的维护,从而为同类研究提供参考。     

小样本条件下SCGAN+CNN低分辨雷达目标一步识别算法

现有低分辨雷达目标识别方法，通常采用先特征提取、再进行目标分类的两步识别算法，这种算法存在识别率难以提高和方法泛化性不足的问题，对此，提出一种增强条件生成对抗网络（strengthening condition generative adversarial network，SCGAN）+卷积神经网络（convolutional neural network，CNN）的低分辨雷达目标一步识别算法。该算法利用CNN自动获取采样数据深层本质特征，无需特征提取，实现对目标的一步识别。为进一步提高小样本条件下的识别效果，基于CGAN理论来提高样本在特征空间的覆盖程度，并对CGAN的判别器进行改进，在损失函数中增加混叠惩戒项，通过SCGAN生成不混叠的生成样本来更好地训练CNN，提高其在小样本条件下的识别能力。仿真对比实验校验了一步识别算法较传统两步识别算法的优越性，以及SCGAN+CNN的低分辨雷达目标一步识别算法在小样本条件下的有效性。     

基于特征生成的轴承不均衡数据故障诊断

针对实际生产中难以获得足量的故障样本数据导致训练中样本不均衡、样本不足等问题,提出了一种基于特征聚类的过采样算法,并将其与卷积神经网络相结合的滚动轴承故障诊断模型。该模型将频域信号作为模型的输入,通过卷积神经网络进行特征提取,再通过过采样技术生成新的特征数据实现数据的均衡化,将新生成的特征数据和原有特征一同输入到支持向量机(Support Vector Machine,SVM)分类器中完成样本的分类,实现滚动轴承的故障诊断。通过对比实验,结果表明该方法可以有效解决数据不均衡的问题。     

多任务深度卷积网络的CT图像方向校正

针对医学电子计算机断层扫描(CT)图像方向校正问题,提出一种并行卷积回归(PCRN)多任务深度学习网络.通过侧旋角度正回归和翻转概率逻辑回归,求得校正参数来精准地校正图像.进一步,针对医学图像训练样本稀缺的情况,提出一种串行回归(SCRN)的深度学习架构,弥补并行卷积回归网络在小样本情况下校正精度不足的问题.实验结果表明:在样本充分,并行卷积回归网络和样本稀缺情况下,串行卷积回归网络对小角度偏转、大角度偏转和翻转的腹部CT图像校正结果都优于传统的配准方法.     

关于大型车库照明设计的分析与探讨

随着社会发展不断与进步,为了满足人生活的方便与舒适,地下车库在建筑领域发挥越来越重要的作,而地下车库照明又是电气设计非常重要的一部分.通过对采用LED光源智能感应灯具特性的研究可以得出,感应LED照明光源具有高光效、长寿命、低电耗、配光灵活等非常突出的照明特点,以及智能感应系统的应用,必将在大型车库照明系统中发挥越来越重要的地位.     

基于纹理的流场可视化方法研究综述

纹理可视化方法是一个可以提供高分辨率输出纹理的流场可视化方法,具有有效性、通用性,被广泛应用于模拟计算流体力学、环境科学、材料工程等多个领域.纹理可视化方法最为核心的研究问题是产生揭示流场特性的纹理,按某种方式在图像空间对像素进行有序排列,呈现出方向、朝向与大小等信息.文中重点围绕纹理可视化方法研究进展进行介绍.首先在对国内外研究工作全面分析与总结的基础上,根据生成不同分辨率纹理所采用的方法不同,将其分为点噪声、线积分卷积、流体、纹理平流等4大类,详细阐述每一类方法的原理及特点,并重点介绍每类方法近期出现的新工作;其次,对各类方法的优缺点及产业影响进行对照分析;最后,对未来展望进行讨论.     

基于电磁振动与卷积神经网络的玉米品质精选装置

为提高玉米分选自动化水平,针对传统方法特征建模过程繁琐、现有卷积神经网络部署要求高的问题,设计了一种基于电磁振动与卷积神经网络的玉米品质精选分级装置,主要包括玉米粒群落料单元、电磁给料单元、控制单元、分选收集单元和恒定光强视觉单元,可实现玉米粒群自动分离、籽粒自动识别与分选.模型、样机试验结果表明:模型大小仅5.83 MB,对计算机硬件要求低;模型平均检测准确率mAP为88.03%,模型总体分类检测性能良好;模型对优良玉米籽粒的识别能力强,准确率P、召回率R、误报率FPR、加权调和平均值F_1分别为98.75%,94.84%,3.78%,96.85%;样机将玉米籽粒的实际检测准确率提升至96.50%,实际有效分选率为97.51%.