钢筋混凝土桁架筒的分析与研究

就钢筋混凝土桥架简体系进行了初步的分析与研究，表明这种结构体系有着良好的力学性能、抗震性能，且经济效益显著，有广阔的发展前景。     

高校图书馆工作人员的信息素养

本文从图书馆发展需要与图书馆员自身发展的需要出发,论述了图书馆员应具备的信息素养,阐述了信息素养的内涵,分析了图书馆员信息素养的现状,并提出了培养图书馆员信息素养的举措。     

亚硝基血红色素食品着色剂的研究

本文以健康的猪、牛、羊的新鲜牲血为原料，经化学提取、合成及酶解等简单步骤、研制成了亚硝基血红色素食品着色剂。该产品可替代具有毒性作用的亚硝酸盐而直接加入食品着色，是一种无毒副作用的理想的调味食品着色剂，同时也增强了食品的营成份。     

智能化44点啤酒发酵温度巡测仪

本文将八十年代最新研制的集成温度传感器ＡＤ５９０、８０９０单片机，可编程逻辑器件ＧＡＬ－１６Ｖ８Ａ等新器件及智能化新技术，集中应用于啤酒发酵过程的温度检测。与传统人工测温相比，具有测温精度高、稳定性好、反应快、可远距离自动检测、定时打印，减轻工人劳动强度、调节啤酒发酵温度的响应速度快等特点。     

基于预先补偿和全状态反馈控制的车-轨耦合振动抑制

以高速磁浮列车为研究对象,探讨了弹性轨道下的车-轨耦合振动问题。建立了能反映实际问题的车-轨耦合最小悬浮单元模型,并进行了开环系统稳定性和耦合振动机理分析。以弥补比例-积分-微分（PID）控制器有效信息利用不足为出发点,设计了基于预先补偿的全状态反馈控制器。通过仿真分析了反馈增益矩阵对系统跟踪性能和振动抑制能力的影响,提出了适当降低对悬浮间隙的要求换取振动抑制能力提升的思路。进一步分析了反馈系数对悬浮系统性能的影响规律,基于此得到了优化的预先补偿和全状态反馈控制框架。最后,通过实验验证了基于预先补偿的全状态反馈控制对抑制车-轨弹性耦合振动的有效性。     

偏压条件下排桩加内支撑支护深基坑受力与变形分析

基坑开挖受周围环境制约较大,需根据具体条件采取不同的支护方式。尤其对于狭长基坑两侧存在偏压的情况,基坑变形以及支护结构受力会存在较大差异。本文以西安科技八路综合管廊深基坑支护工程为研究对象,采用数值模拟与现场监测相结合的方法,对偏压条件下基坑的变形以及支护结构受力变化规律进行了深入的研究分析。研究结果表明：随着基坑开挖,水平位移和竖向位移均呈逐渐增大趋势,锚杆和内支撑对水平位移控制效果明显。桩身内力在锚杆与内支撑位置突变明显,避免了桩身受力过大。由于受右侧已开挖基坑的影响,导致基坑两侧变形有所差异,但位移值相差不大。说明该深基坑支护方案设计合理,支护效果良好,满足偏压条件下对基坑变形控制的要求。研究结果可为类似基坑工程的支护与开挖提供一定的指导。     

基于传递函数优化后BP神经网络对泥石流的危险性预测

泥石流危险性预测的可靠性是防治工程建设与减灾救灾相关工作部署的关键,基于Back Propagation神经网络的预测方法,是目前实现危险性等级划分的有效方法之一。利用BP神经网络算法的非线性逼近能力,挑选陇南白龙江小流域26条典型泥石流沟道,结合当地实际情况,选取泥石流危险性的8个主要因素为输入层神经元,以样本数据危险等级为输出神经元,在测试单、双层隐含层网络性能的基础上,提出9种工况组合的传递算法搭配方案,利用L-M算法搜索最优解或者近似最优解,总结传递算法对泥石流预测模型精度的影响及算法的选择顺序。实验结果显示,隐含层采用tansig函数,输出层采用logsig函数,其模型总体误差最小,模型的R训练集、R验证集较大与R测试集分别为0.983 61、0.709 17和0.960 52,准确率达到96.1%。由此可见,选择合适的传递函数可提高网络模型的精准度,能准确划分泥石流风险等级。     

基于模糊贝叶斯网络的高层建筑火灾风险评估方法

为量化分析高层建筑火灾事故的风险因素,提出基于模糊贝叶斯网络的高层建筑火灾风险评估方法。首先分析37起典型事故调查报告,基于火灾事故致险机理并依据《建筑设计防火规范》(GB 50016—2014)等国家规范和技术标准,从建筑防火能力、建筑灭火能力、应急疏散能力、安全管理能力4个方面建立指标体系;然后基于专家知识结合模糊数学量化各要素的先验概率并确定条件概率,通过构建模糊贝叶斯网络模型,运用Netica软件进行分析,得出各要素的发生概率;最后以H小区进行了实例验证与分析。结果表明：小区高层建筑风险等级为Ⅱ级中等水平,与小区实际情况相符,验证了该方法的可行性和合理性,为高层建筑火灾风险评估优化完善提供参考借鉴。     

基于粒子群优化支持向量机康复下肢外骨骼的脑电控制研究

为解决失能人群自主移动的问题,脑机接口(brain computer interface, BCI)已广泛应用于外骨骼领域,但脑电(electroencephalogram, EEG)信号因信噪比低等原因导致识别率一直难以提高。为提高基于脑机接口下肢外骨骼的信号识别率,采用粒子群优化支持向量机(particle swarm optimization-support vector machine, PSO-SVM)算法提高脑电信号识别率,取得了86.52%的脑电信号识别率。首先建立共空间模式(common spatial pattern, CSP)数学模型对脑电信号进行特征提取,随后建立基于粒子群优化的支持向量机分类模型,优化脑电信号分类关键参数,将最终的实验数据与传统的支持向量机分类方法比较,最后进行算法的验证及下肢外骨骼实验。实验结果表明：经过粒子群优化的支持向量机分类准确明显高于传统支持向量机分类。所提出粒子群优化支持向量机对脑电信号的特征识别方法可实现运动想象(motor imagery, MI)的精确识别,为脑机接口技术在康复外骨骼领域的应用提供理论基础和技术支持。     

双边永磁同步直线电机随机模型系统辨识

为解决双边永磁同步直线电机离散传递函数模型参数动态变化、传统方法辨识精度低的问题,提出一种基于随机模型的系统辨识方法,分析运动过程中的系统特性,结合具有随机扰动项的Box-Jenkins模型,辨识动态系统传递函数模型参数。通过注入不同频率逆M序列电流信号,充分激发系统响应,比较分析不同实验条件下的系统辨识结果。选择预报误差法定义平方差代价函数,运用Levenberg Marquardt算法不断迭代优化以获得传递函数模型最优参数。通过对不同采样频率、不同注入电流幅值和不同电机运动速度条件下的系统辨识对比分析,获得最佳辨识模型。结果表明,当采样频率为1000 Hz,注入电流幅值为2.0 A和电机运动速度为50 mm?s-1时,获得最优辨识仿真输出匹配度为94.81%,平方差为7.84×10-4。