随机激励下载荷谱识别

采用逆虚拟激励法进行载荷识别，识别结构所受平稳随机激励的功率谱密度，在钢悬臂梁和有机玻璃框架上进行了多次试验，识别的载荷与实际值符合得较好，同时研究了相干和不相干随机激励两种情况下载荷识别结果的异同，通过实测数据讨论了不同噪音对识别结果的影响。此方法的优点在于识别未知载荷的准确性、计算的高效性和对频响函数病态的克服能力。     

受演变随机地震激励结构的时变功率谱分析

将受演变随机地震激励的结构响应自谱密度与互谱密度计算归结为简单统一的算式，并以两个多自由度例题对方法予以直观的说明，通过计算效率的比较，表明对这类问题，使用Ｎｅｗｍａｒｋ逐步积分法比之使用Ｄｕｈａｍｅｌ积分可以得到更好的效果。     

图上自适应正则化的图像去噪

自适应正则化方法在不同的局部区域能够选取不同的正则化参数和正则化约束,因而能够灵活地对边缘和噪声进行区别处理。将自适应正则化建立在图上,提出了一种定义在加权图上的,具有自适应参数的正则化模型。用nonlocal means 算法构造图的权重函数,用建立在图上的自适应正则化方程实现图像的去噪处理,仿真实验结果表明：该方法能有效地去除图像中的噪声,在去噪性能上优于部分基于图论的偏微分方程方法。     

大地电磁反演中改进的自适应正则化因子选取

通过建立大地电磁(MT)层状地电模型,利用共轭梯度法求解反问题,在给定不同初始模型的条件下对多种正则化因子选取方法进行了计算比较,分析了各种方法的特点和使用条件.结果表明,自适应正则化算法的效果与传统的定值方法如L曲线法相近,但反演过程远比传统方法便捷.为了解决反演依赖于初始模型的局限并增强解的稳定性,基于多种自适应正则化方案的对比分析,提出了改进的自适应正则化方案,选取数据拟合泛函与模型稳定泛函较大的比值为正则化因子的初始值,并提出相应的调整方案自动控制正则化因子衰减.模型试验表明,该方法对初始模型的依赖性低于其他几种自适应的算法,反演结果的稳定性较强,可以进一步提高正则化反演的效率.     

基于空间自适应正则化的超分辨率重建算法

针对模糊图像的复原问题,从正则化技术克服问题病态性的思想出发,研究了一种有效的超分辨率重建算法。该算法充分考虑了图像的局部特性,引入了空间自适应加权矩阵,采用全局正则化参数与局部正则化参数矩阵相结合的方法,弥补了传统正则化方法所带来的正则化误差以及噪声放大误差。实验结果表明,该算法能够有效地减少重建误差,保护图像的细节信息。     

自适应整形正则化迭代最小二乘谱反演方法

提出一种基于自适应整形正则化的迭代最小二乘谱反演方法(ILSSI-ASR)。该方法从反演思想出发,将整形正则化引入到迭代最小二乘谱反演中,基于反演的谱分析方法构造一种自适应整形算子,并对正则化参数进行自动优选,获得信号在时-频域的分布特征。结果表明：该方法较好地解决了反演过程中遇到的多解性及稳定性等问题,拥有更高的时频分辨率及更好的能量聚集性,可对储层进行更精确地刻画。     

大地电磁反演中改进的自适应正则化因子选取研究

通过建立大地电磁(MT)层状地电模型,利用共轭梯度法求解反问题,在给定不同初始模型的条件下对多种正则化因子选取方法进行了计算比较,分析了各种方法的特点和使用条件.结果表明,自适应正则化算法的效果与传统的定值方法如L曲线法相近,但反演过程远比传统方法便捷.为了解决反演依赖于初始模型的局限并增强解的稳定性,基于多种自适应正则化方案的对比分析,提出了改进的自适应正则化方案,选取数据拟合泛函与模型稳定泛函较大的比值为正则化因子的初始值,并提出相应的调整方案自动控制正则化因子衰减.模型试验表明,该方法对初始模型的依赖性低于其他几种自适应的算法,反演结果的稳定性较强,可以进一步提高正则化反演的效率.     

流型自适应的归一化方法对Tikhonov正则化算法的改进

电容层析成像的成像数据采用不同的归一化模型,对重建图像的质量有重要影响.针对两相流的典型流型,研究了采用不同的归一化模型时,Tikhonov正则化算法性能与流型及相含率的相关性.仿真采用新的归一化模型与常规的模型处理电容测量值,重建原图像.结果表明,基于单一的归一化模型,不能在各流型分布下都有最好的成像效果.提出了基于流型识别、自动适应流型的归一化方法,新方法提高了Tikhonov正则化算法的性能.     

基于冗余特征正则化的车辆重识别算法

基于深度学习的车辆重识别算法使用空间关系不明确的滤波器提取特征,这些互不独立的滤波器会导致特征提取互相依赖且冗余,阻碍模型寻找数据的潜在规律．为此,提出一种显式的基于冗余特征正则化的车辆重识别算法Res-GC(ResNet grouping convolution)．利用残差分组卷积网络阻止特征相互适应,以获取带有正则特性的车辆特征．引入BNNeck(batch normalization neck)方法解决交叉熵损失函数和三元组损失函数适用的车辆特征空间不一致的问题,提升正则特征使用效率．在车辆重识别的公共数据集VeRi-776和VehicleID上,Res-GC算法的实验结果均优于现有模型,验证了算法的有效性．     

自适应随机共振降噪下的结构模态参数识别

针对强背景噪声下结构模态参数难识别以及传统自适应随机共振单参数优化的不足,提出一种基于改进多粒子群协同优化算法的多参数同步优化的自适应随机共振方法,结合利希尔伯特变换来识别出结构的模态参数.该算法能够更快得到最佳随机共振系统结构参数,自适应地实现非线性系统、输入信号和噪声之间的最佳匹配,削弱强背景噪声响应中的噪声,提高响应的输出信噪比.数值仿真和试验均表明,该方法参数寻优效率高,简单易行,能够成功识别出强背景噪声下结构的模态参数.     

非平稳随机激励下线性系统模态识别的小波方法

通过对非平稳随机激励下的线性时不变系统的响应x(t)进行小波变换.利用各级小波系数的正交性,对其中的某些平稳小波系数进行合成,得到满足结构动力学方程的新平稳信号y(b),用其代替原始的结构响应x(t),结合其他各种平稳随机激励下的模态识别的方法,进行非平稳随机激励下系统参数的识别.仿真结果表明,该方法可以在一定程度上消除非平稳随机激励所引起的响应信号的非平稳性.     

纵轴式掘进机截割头随机截割载荷识别方法研究

针对纵轴式掘进机截割头随机截割载荷难以准确测定的问题,根据随机过程理论,推导出截割头随机截割载荷的自功率谱表达式,并根据截割功率谱结合虚拟激励法确定截割头的虚拟激励;然后利用求得的响应结合精细积分算法反向推导识别截割头随机截割载荷的表达式,由此建立了精确的截割头时域随机截割载荷的反演数学模型;最后由最小二乘法计算出截割头随机截割载荷的时间历程,并通过正则化方法来减小噪声的干扰。实例验证结果表明,该方法能有效减小噪声干扰,准确地识别截割头的随机截割载荷。     

基于自适应图调节和低秩矩阵分解的鲁棒聚类

聚类是数据挖掘和机器学习领域的重要研究内容,一般会先基于数据样本构建相似图,再基于相似图将样本划分到相应的类中。但是真实的数据经常被损坏,导致学习的相似图不准确,从而直接影响聚类结果。为解决这些问题,提出一种面向鲁棒聚类的自适应图调节和低秩矩阵分解的方法,该方法的核心思想是:将原始数据X分解为纯净数据D和噪声数据S,再基于纯净数据构造拉普拉斯矩阵并进行自适应图调节。随后,给出一个联合学习框架,将数据分离、自适应图正则、噪声消除和低秩矩阵分解集成到一个目标函数中。利用增广拉格朗日乘子法分别更新变量。最后,在理论上证明算法的收敛性并进行实验。实验结果表明所提出的方法与现有一些方法相比有一定优越性。     

基于环境激励的随机子空间法模态试验与仿真分析

以1幢6层钢框架结构为例,分别采用基于环境激励的随机子空间模态识别法(SSI)与频域分解法(FDD)从加速度测试信号中识别其模态参数,识别结果一致.最后选用SSI法对试验的有限元模型进行了仿真分析.研究表明:仿真与测试分析结果吻合较好,具有可靠的精度和一定的适用性.     

基于改进随机森林的火山岩测井岩性识别

准噶尔盆地石炭系火山岩岩性复杂,在某种岩性薄片、岩心等资料数量明显少于其他岩性时,常规方法划分岩性存在困难。为了解决上述问题,提高火山岩岩性识别精度,运用合成少数类过采样技术(synthetic minority oversampling technique, SMOTE)算法增加少数岩性类别样本数量,解决数据不均衡问题;通过网格搜索和K折交叉验证法确定最优参数组合,开展基于改进随机森林的火山岩岩性识别研究。通过分析火山岩岩心、薄片、测井响应特征等资料,建立了岩性交会图版,确定了研究区对岩性敏感的测井参数重要性程度。实例资料应用表明,改进的随机森林算法有效地解决了传统随机森林算法受岩性样本类型不均衡及数据量较小的影响,火山岩岩性识别准确率由87%提升到了94%,为不均衡样本情况下火山岩岩性识别提供借鉴。     

基于随机森林-遗传算法-极限学习机的非侵入式负荷识别方法

提高负荷识别准确率是实现非侵入式负荷监测的关键技术。针对现有模型识别准确率低,特征冗余度高、可分性较差的问题,提出一种基于随机森林(RF)和遗传算法优化极限学习机(GA-ELM)的负荷识别方法。首先从稳态电流信号中提取时域和频域信息作为负荷特征。为进一步减小特征集的冗余度并剔除可分性较差的特征,使用随机森林算法对特征进行优选,得到最优特征集。最后使用遗传算法优化极限学习机的权值和偏置参数,建立负荷识别模型。利用所建立的模型对11个家用电器共16种负荷状态进行识别,实验结果表明,所提模型可以提高识别准确率,使用该模型可以对家用负荷进行快速有效识别。     

一种基于自适应输入-输出线性化的无刷直流电机参数辨识方法

对基于理想换相的永磁无刷直流电机, 在给出其单相等效模型的基础上, 运用基于自适应输入-输出线性化(AIOL) 方法, 设计了适用于无刷直流电机的参数辨识与控制的电流控制器, 来提高驱动控制系统对电机参数的自适应能力;此外, 对辨识方法进行相应的改进. 研究和仿真分析结果表明: AIOL方法不要求各状态量解耦, 参考模型中也不包含估计状态量, 因而自适应律的导出较简单, 并且使参数辨识与电机控制在一个框架内得到解决, 更适合电机的运行控制;基于AIOL方法的改进参数辨识算法消除了待辨识参数变化互相耦合、相互抵消的负面影响, 能够准确、稳定地估计电机参数, 且系统的响应性能较好, 易于工程实现.