区间删失数据下基于OLLGG分布的多参数回归模型的参数估计

该文基于Ⅱ型区间删失数据,在OLLGG分布下提出多参数回归模型,通过线性回归刻画分布参数与协变量之间的关系,并通过极大似然方法给出了模型的参数估计,数值模拟验证了模型参数的估计有良好的性质,将提出的模型应用到血友病患者HIV感染的数据中,发现提出的模型对数据有灵活的拟合效果.     

面向多场景的环境异常声音识别

随着人工智能和大数据的发展,各种场景中对异常声音识别的需求日益增长,基于人工智能的声音识别技术正在兴起并被高度重视。现行主流的异常声音识别算法多为浅层机器学习模型结构,对异常声音的识别率较低,且识别的声音类型单一。为了有效识别异常声音,提出一种基于梅尔频率倒谱系数(Mel-frequency cepstral coefficient, MFCC)和卷积神经网络(convolution neural network, CNN)的环境声音识别算法,对各类异常声音进行采集和有效识别,并及时反馈声音状态,为各类声识别应用场景提供精细化管理技术手段。结果表明：提出的算法对5类场景下环境异常声音的识别率得到极大提高,适用于更广泛的声学场景,具有明显的优势。     

适用于中小跨径桥梁频率识别的移动检测车辆参数研究

为了实现对大规模中小跨径桥梁群体的快速检测,提出了一种参数可调的移动检测车辆,并通过理论推导、试验验证和参数分析对车辆参数的合理取值进行研究. 首先,通过车-桥耦合振动理论推导出“拖车-双挂车”过桥振动响应的解析解;其次,利用有限元模型和车桥耦合计算程序的数值计算结果,以及一座简支梁桥的现场试验结果对理论解析解进行验证;最后,基于推导的理论解析解进行参数研究,分析了检测车辆的动力参数、车速以及桥梁参数对间接法识别精度的影响. 结果表明：当车桥频率比在0.8~0.9（或1.1~1.2）之间变化时,桥梁频率识别效果较好;在利用间接法进行桥梁频率识别时,建议移动检测车辆的车速不宜取太大;根据桥梁的截面面积、截面形状和跨度对检测车辆参数进行合理的选取,可提高桥梁频率识别的准确性. 研究结果可为基于车辆响应的桥梁频率间接识别提供参考.     

基于不同目标下的城际铁路列车开行频率优化

研究运营企业效益最大化和社会总成本最小化2个不同目标条件下城际铁路开行频率的优化,建立双层规划模型,上层分别以铁路企业效益最大化和社会总成本最小化为目标,下层以开行方案作为变量、以用户均衡理论建立模型,利用模拟退火算法得出城际运输通道中不同交通方式的分担率,并求出不同等级城际列车的客流量及开行频率.通过算例进行验证,对比和分析了2种目标下的城际列车开行频率方案,为城际通道客运优化管理提供理论参考.     

融合倾斜仪数据的盾构姿态严密解算模型

推导了倾斜仪与盾构的严密标定模型;将倾斜仪采集的双轴角度数据视为平面点云,推导了倾斜仪角度数据的稳健估计方法;在前述模型方法的基础上,利用最小二乘配置方法建立了倾斜仪与棱镜数据融合的严密联合解算模型.最后,通过试验对上述模型方法进行了分析验证.结果证明,提出的盾构姿态解算模型正确可行.     

基于伪数据的机器翻译质量估计模型的训练

为向基于深度学习的机器翻译质量估计模型提供高效的训练数据, 提出面向目标数据集的伪数据构造方法, 采用基于伪数据预训练与模型精调相结合的两阶段模型训练方法对模型进行训练, 并针对不同伪数据规模设计实验。结果表明, 在构造得到的伪数据下, 利用两阶段训练方法训练得到的机器翻译质量估计模型给出的得分与人工评分的相关性有显著的提升。     

一种改进的适用于数字助听器的基于非线性频率压缩的多通道响度补偿方法

为了改进数字助听器中的响度补偿, 并提高高频部分的语音可懂度, 提出一种基于非线性频率压缩的多通道响度补偿的综合方法。首先, 为了避免语音的频率畸变, 基于语音可懂度进行频谱的多通道划分。然后, 采用一种非线性的频率压缩方法, 将高频部分的声音压缩至患者能听到的低频部分。所提出的非线性频率压缩方法是基于不同频段对语音理解度的贡献占比来改变频率压缩比。最后, 为了实现自适应的响度补偿同时防止传统宽动态范围压缩的固定压缩比降低语音质量, 采用一种随时间可变压缩比的自适应宽动态范围压缩方法。实验结果表明, 相对于传统的宽动态范围压缩和频率压缩方法, 该方法可以改善20%的语音鉴别准确率。     

基于超螺旋精度提升机制的OFDM网络信道噪声消除算法

为解决当前OFDM网络信道噪声消除算法难以规避信道中的窄带莱斯噪声,且抗信道衰落能力不强,以及信道间普遍存在严重的频率干涉问题,提出了一种基于超螺旋精度提升机制的OFDM网络信道噪声消除算法.首先,根据各个传输子信道具有差异化的频率载波特性,将传输子信道等价为接收背景中的接收点,从而构建了超螺旋接收结构,有效消除不同传输子信道间存在的频率干扰特性,降低信道窄带莱斯噪声对信号预发射过程的衰落影响;随后,基于角度识别方式进行锐-钝识别,并结合拐点思想,采用序列重排技术,将待发射信号进行消波处理,并进行自旋精度提升,从而提高了其抗窄带莱斯噪声的性能.仿真实验表明:与常见的超高频精度自适应机制(UHF adaptive,UHFA)、共线度自旋精度提升机制(the degree of accuracy of collinear spin,DACS)相比,本文算法与理想状态下的OFDM功率谱密度曲线最为接近,具有更高的信号增益水平与更低的信道误码率.     

基于模型误差EKF-HIF算法的锂动力电池SOC联合估计

针对锂动力电池荷电状态(State of Charge,SOC)估计策略,提出了一种基于模型误差EKF-HIF算法的SOC联合估计方法。首先,通过建立电池等效电路模型,利用BP神经网络(Back Propagation Neural Network,BPNN)预测该电池模型误差。其次,推导扩展卡尔曼滤波(EKF)和H∞滤波(H Infinity Filter,HIF)算法流程,根据模型误差选择不同算法进行SOC状态估计。最后,通过仿真验证了该联合估计算法的有效性和可行性。     

自适应无迹卡尔曼滤波动力电池的SOC估计

无迹卡尔曼滤波法(Unscented-Kalman Filter,UKF)在估计动力电池的剩余容量(State of Charge,SOC)时,由于系统噪声的不确定,可能导致算法不收敛,而且算法的估计性能受模型精度的影响,为此采用自适应无迹卡尔曼滤波法(Adaptive-UKF,AUKF)动态估计电动汽车动力电池的SOC.建立了适用于SOC估计的电池模型,辨识相应的电池模型的参数并进行验证,将AUKF应用到该模型,在未知干扰噪声环境下,在线估计电池的SOC.试验仿真结果表明:UKF算法的估计误差在-0.04~0.06之间跳动,而AUKF算法的估计误差平稳的保持在0.05以内,实时修正微小的模型误差带来的SOC估计误差.