基于InSAR技术的大跨桥梁温度变形监测研究

以国内某高速铁路钢拱桥为研究对象,选取2017—2018年期间59幅C波段Sentinel-1号雷达卫星影像,利用PS-InSAR技术处理影像获得桥梁的视线向（Line of Sight,LOS）位移,根据SAR成像空间几何关系解算出支座的纵向位移. 研究结果表明：支座纵向位移的时空特性与实际桥梁结构相符合,验证了PS-InSAR技术观测桥梁结构位移的可行性. 建立支座纵向位移与温度的线性相关模型,并与结构健康监测系统的实测结果进行对比. 两者吻合良好,相对误差控制在10%以内,验证了PS-InSAR测量桥梁结构位移的可靠性. 利用有限元模拟温度作用下桥梁支座的位移变化,并与PS-InSAR位移时间序列进行对比. 两者趋势基本一致,LOS向位移误差在［-10,10］ mm,验证了PS-InSAR测量桥梁结构位移的准确性.     

基于应变信号时频分析与 CNN网络的车辆荷载识别方法

针对现有神经网络车辆荷载识别方法的识别精度不足且训练样本采集困难的问题,提出了一种基于应变信号时频分析与CNN网络的车辆荷载识别方法,对移动车辆总重进行荷载识别.首先,利用连续小波时频变换方法处理桥梁跨中应变信号,得到应变信号的时频特征,并利用双线性插值算法将时频信号矩阵变为大小为64×64的数值矩阵,作为CNN网络的输入数据;其次,利用CNN网络的回归学习算法,在训练少量数值矩阵后直接建立应变响应与车辆荷载的映射关系,从而实现对未知车辆荷载的识别;最后,通过模拟试验发现虽然在不同路面粗糙度和噪声影响下,CNN网络的荷载识别结果会受到不同程度的影响,但在一定范围内的路面粗糙度和噪声影响下仍然能较精确地识别车辆荷载.     

基于卡尔曼滤波改进压缩感知算法的车辆目标跟踪

针对传统的基于压缩感知技术的目标跟踪算法存在的跟踪漂移问题，提出了一种采用改进压缩感知算法和卡尔曼滤波方法相结合的车辆目标跟踪算法. 首先，通过传统压缩感知目标跟踪算法识别出本帧目标存在概率最大的区域得到观测值； 其次，利用卡尔曼滤波预测本帧的跟踪轨迹得到预测值，通过卡尔曼滤波增益系数对预测值与观测值进行修正，获得最终目标跟踪结果； 最后，在修正后的目标区域周围进行正负样本采样以实现朴素贝叶斯分类器更新，进而实现目标跟踪轨迹的实时更新. 通过实验室试验以及野外实测验证了所提方法的可行性，相较于基于压缩感知技术的目标跟踪算法，本文所提方法的跟踪结果平均误差分别降低了48%和89%，跟踪轨迹更加趋近车辆真实运动轨迹.