超音速飞行体的“声指纹”识别技术研究

＂声指纹＂识别技术是声学探测的一项核心技术。文中提出＂声指纹＂识别技术;讨论了对超音速飞行体（如飞机、弹头）的激波声信号的测量,提取声学特征,识别超音速飞行体的问题;并利用步枪子弹实验,验证了超音速飞行体＂声指纹＂识别技术的可行性和有效性。     

冷喷涂材料改性研究中超音速冲击射流流场数值分析

针对冷喷涂材料表面改性技术研究中，超音速冲击射流流场存在激波、分离流等复杂的物理现象，采用扩展压强校正法求解用紊流模型封闭的可压缩湍流平均N—S方程组，利用交错网格系统抹平迭代过程中的数值振荡．并通过高分辨率的离散格式进一步改善校正法的激波捕获效果，对冷喷涂工艺中的超音速冲击射流流场进行了详细的数值模拟，可为冷喷涂实验及机理研究提供重要依据．     

头部钝度对钝锥双波干扰的影响

本文讨论了斜爆炸波与超音速钝锥激波层的相互作用问题.文中采用流场迭加方法计算了透射爆炸波的形状及其在锥面上反射所产生的峰值压力.详细分析了因钝锥流场的复杂性,特别是高熵层的影响,使得透射爆炸波形状和峰值压力与尖锥情况有很大的不同.     

基于时频分布的超音速飞行目标激波信号检测

为获取物体作超音速飞行时产生的激波信号,以对超音速目标进行识别和定位,设计了一种基于时频分布的超音速飞行体激波压力信号的检测器,用主成分分析法提取时频域的主成分,确定了一种简单的判别准则,解决了在噪声环境中检测出激波信号的问题.通过外场实测数据对检测效果进行了仿真分析,仿真结果表明可以获得较好的检测效果,适用于暂态信号的检测.     

TNO多能法在蒸气云爆炸模拟评价中的工程应用

分析了TNO（The Netherlands Organization）多能法在工程应用中存在的问题，并提出相应的解决方法，以提高其工程应用可操作性．归纳并提出了选取爆源强度等级的依据；为解决多能法在应用过程中手工查爆炸波特征曲线图读数易带来误差的问题，采用TNO爆炸波特征曲线拟舍关系式代替TNO爆炸波特征曲线，并对该关系式中部分误差较大的计算式进行修正；根据爆炸波对人体肺、耳的伤害需达到的超压值和多能法特征曲线的拟合关系式，利用迭代法和最小二乘法拟合出爆炸波导致不同程度人员伤害距离的关系式，并对其进行验证．该关系式形式简单，输入参数少，可用于工程实践．     

斜爆炸波与超音速圆锥相互作用

本文讨论了斜爆炸波与超音速圆锥相互作用的问题.提出用分层均匀的模型来近似锥型流区,利用透射爆炸波通过各层的折射和反射来计算透射爆炸波的形状并得到其在物面上反射所产生的峰值压力.最后将计算结果与实验数据和数值计算结果进行了比较.     

苏氨酸、丝氨酸羟乙基衍生物的结构与质子化反应活性的MNDO探讨

本文用MNDO方法讨论了L－N，N-双（2-羟乙基）-苏氨酸（La1）和L-N，N-双（2-羟乙基）-丝氨酸（La2）的结构与质子化作用的关系．计算结果表明；在上述的每个分子中，都是N（7）原子上负的净电荷最大，且La1与La2比较起来，则是La1分子中N（7）原子所带的负荷比La2分子中N（7）原子多，因而La1较之La2在质子化反应中，表现出更大的反应活性．     

通量修正法在日地空间MHD激波模拟中的应用

回顾了应用于日地空间磁流体力学模拟的多种数值方法，将通量修正（ＦＣＴ）法应用于一维球对称超音速太阳风和激波的模拟，得结果在物理上与献相比符合很好，但得以的激波间断面比献更精确，间断面网格点数在２～３个之间，此方法可推广到在多维情形下进行扰动的数值模拟。     

基于遗传算法和概率神经网络提高脑机接口中脑电信号识别率

针对脑机接口（BCI）研究中存在脑电信号（EEG）识别率低的问题,提出一种基于遗传算法（GA）和概率神经网络（PNN）的GA—PNN识别方法．用该方法对EEG提取时频特征,构成模式识别的初始特征．以训练样本识别正确率为适应度函数,采用GA对初始特征进行组合优化．基于优选后的特征,用PNN对测试样本进行分类．该方法使EEG识别正确率达到92．499／5,与2003年BCI国际竞赛最好的处理结果（88．7％）相比,提高近4％,为BCI中EEG的识别提供了有效的手段．     

HClO4掺杂PANI／PdPc复合膜及其气体传感器研究

本文阐述了用化学合成法合成HCIO。掺杂聚苯胺（PANI）和酞菁钯（PdPc），以松油醇为溶剂，将它们以不同比例相互杂化混合，再以微加工技术和溅射镀膜技术制作了平面微电极陶瓷基片，用涂膜工艺制作了7种不同混合比例的有机复合膜元件（PANI）x（PdPc）1-x用静态配气法在气体浓度为0．01％时，对多种毒性气体逐一进行气敏特性测试．结果表明，PdPc对NO，呈N型半导体，灵敏度为0.06倍；HClO4掺杂PANI对SO2呈N型半导体，灵敏度为0．0023倍；x=1／6时，敏感膜对SO2、NO、Cl2也呈N型半导体，灵敏度分别为0．02倍，0．09倍，0．046倍．可通过选择不同的配比实现传感器的气敏选择性．     

融合全局与局部特征的UWB雷达人体动作识别算法

为了消除雷达信号中杂波和噪声对人体动作识别的干扰,提高小样本数据下动作识别的精度,在去除杂波及噪声干扰的基础上,提出一种融合全局与局部特征的超宽带（ultra-wideband,UWB）雷达人体动作识别算法。用动目标指示（moving target indication,MTI）结合自适应中值滤波对雷达原始回波信号进行预处理,再对人体动作的雷达二维特征图像利用主成分分析（principal component analysis,PCA）提取主要分量作为全局特征表征,并用二维离散小波变换（2D discrete wavelet transform,2D-DWT）结合奇异值分解（singular value decomposition,SVD）获取特征图像在不同方向与尺度划分下动作的局部特征表征,并将全局与局部特征进行串联融合;根据融合特征,在网格搜索算法（grid search,GS）优化的支持向量机（support vector machines,SVM）模型中实现人体动作的识别分类。实验结果表明,该算法能有效获取雷达信号中的人体动作信息,平均识别准确率为95.63%,具有良好的识别性能。     

基于S变换和双向二维主成分分析的局部放电模式识别

为对不同类型局部放电信号进行识别,笔者提出一种新的特征提取方法.首先,制作了4种典型的局部放电人工缺陷模型,并通过S变换对采集的局部放电UHF信号进行时频分析;然后,采用双向二维主成分分析(2DPCA)对S变换幅值矩阵进行压缩以提取特征;最后,引入基于粒子群算法优化参数的支持向量机对样本特征集进行模式识别.识别结果表明:4种特征维数组合中,(10,5)组合的平均识别率最高,(5,5)组合最低;粒子群优化算法的引入大幅提高了支持向量机的分类性能,平均识别率均在94.43％以上,最高可达到97.67％.由此可见,经过S变换和双向2DPCA提取的特征集在维数显著约减的同时,保留了原始数据大部分信息量,能够获得较为理想的分类识别率.     

基于M-WDLS和PCA的转子故障诊断方法

针对不同故障特征属性交互重叠导致的故障类别辨识困难问题,提出一种基于Manhattan距离作为特征之间相似度信息测度的权值判别拉普拉斯分值特征选择方法.该方法采用Manhattan距离衡量高维特征矢量之间的相似度,并将数据样本标记信息融入权值计算中以增强权值的判别性,提升了LS算法的敏感特征筛选性能.将M-WDLS和主成分分析相结合,提出基于M-WDLS和PCA的转子故障诊断方法.首先提取原始振动信号的时域、频域、时频域特征构造混合域特征集;然后利用M-WDLS选择敏感特征组成敏感特征矩阵;最后对敏感特征矩阵进行PCA降维处理,并将结果输入到K-近邻分类器中进行模式识别.对比实验的结果表明,该方法能有效提取转子系统振动信号的状态特征,有助于提高故障辨识的准确率.     

基于EEMD与模糊信息熵的旋转机械故障诊断方法

针对旋转机械故障识别率偏低的问题,提出一种基于EEMD与模糊信息熵的旋转机械故障诊断方法.该方法结合EEMD分解和模糊信息熵在特征提取方面的优势,构造出一种能够精细度量不同类别振动信号故障概率复杂度的特征集合.首先将原振动信号进行EEMD分解,获得若干个本征模态函数(IMFs);计算出前5个高频IMF分量的模糊信息熵组成高维特征集;利用LPP对高维特征集进行维数约简剔除冗余不相关特征;最后将约简后的样本集输入到KNN分类器中进行故障识别.用双跨转子实验台采集的数据对所述方法进行验证,并与EMD模糊熵、EMD模糊信息熵、EEMD模糊熵方法进行故障识别率对比,结果表明该方法能够有效提取转子振动信号的故障特征,并且具有更高的故障识别率.     

基于姿态角的双Kinect数据融合技术及应用

针对单个Kinect深度图像传感器在人机交互时的骨骼自遮挡所导致的识别精度问题,提出了基于姿态角的双Kinect数据融合技术。首先,通过两台Kinect采集人体关节的数据信息;并做坐标统一化处理;其次,提出了基于姿态角的骨骼数据融合算法模型,同时依据Kinect SDK构建标准姿势特征向量集合;随后,根据骨骼活动度分配对应骨骼贡献度大小,进而计算融合后的姿势特征向量集合与标准姿势特征向量集合的余弦和,实时反馈两者姿势的匹配度,实现人体姿势的识别。通过构建数据融合处理平台,并应用于人体姿势识别,验证了该方法在不影响识别速率的前提下,提高了人体姿势识别的精准度。     

基于多尺度3D卷积神经网络的行为识别方法

近年来卷积神经网络(convolutional neural network,CNN)在行为识别任务中取得了较大的进展.然而,现有的神经网络方法往往只注重高层语义信息的利用,对浅层特征信息挖掘利用不够.针对这一问题,提出一种基于3D卷积(convolution 3D,C3D)的多尺度3D卷积神经网络的行为识别方法.该方法受到特征金字塔结构的启发,在原C3D的基础上融合C3D的浅层特征信息,实现端到端的行为识别.同时该方法以现有的深度学习理论为基础,利用迁移学习的思想,将C3D和该方法中相同模块部分的参数迁移到本方法中,以降低模型的训练时间.通过在UCF101数据集上进行实验,实验结果表明,提出行为识别方法的分类精度达到84.56％,分类效果优于原C3D分类网络.     

一种基于卷积神经网络的下肢动作模式识别方法

针对目前下肢动作模式识别技术存在的数据量少、识别率低的问题,提出了一种新的基于卷积神经网络的下肢动作模式识别方法。以下肢步态动作识别为对象,采集无负重平地行走,无负重上/下楼及负重上/下楼5种步态的表面肌电信号（surface electromyography,sEMG）,对sEMG进行特征提取,构建了一种以特征集作为输入的卷积神经网络,并比较了其与另外几种传统分类识别方法的识别准确率和工作特征。实验结果表明,新方法对于5种步态的平均识别准确率大于95%,错误率都低于8%,具有较高的准确性。因此所提方法的输入特征集更能代表预测模型特征,模式识别率更高,可为康复医疗机器人、助力机器人等设备改善下肢运动功能提供参考。     

基于随机权重分配策略的面目表情识别

为了提高面部表情识别的精确度,提出了一种基于数据增强策略面部表情识别,区别于普通的在线随机数据增强,将实验用到的训练数据集采用附加不同的权重分配策略进行增强数据,并随机生成每次训练时的权重,保证其训练数据的多样性并通过比较实验结果得出哪种权重的分布策略适用于面部表情识别数据集的增强,同时解决了面部表情识别因数据集缺乏多样性识别精度不高等问题,提升了人脸表情识别的准确性和鲁棒性,此外还利用VGG19特征提取网络,通过从数据中学习鲁棒性和区分性特征,来实现高精度的面部表情识别。实验结果表明,使用该方式增强后的数据进行训练的模型在Fer2013和扩展Cohn-Kanade （CK+）数据库上对7种表情的识别率相比其原始数据集均有提升。     

步态与人脸融合的身份识别方法

为了保持步态识别的优势,克服单一生物特征识别的不足,提高远距离的身份识别率,提出了一种步态与侧面人脸在特征层上融合识别方法.首先利用二向图像矩阵主成分分析,对步态能量图和侧面人脸图分别进行特征提取与降维处理,得到初始特征矩阵,并将得到的初始特征矩阵进行矢量化、特征组合,获得组合特征向量.然后利用多重判别分析法对组合特征向量进行特征融合,获得步态与人脸的融合特征向量,最后采用最近邻法进行身份识别.利用CASIA Dataset B步态数据库对上述方法进行了验证.结果表明,该方法提高了身份识别的正确率,验证了该方法的有效性,为多生物特征识别提供了一种新的方法.     

基于自适应主成分分析维度寻优的脑力负荷识别

脑力负荷识别对提高作业操作人员工作效率,减少人因事故具有重要意义。然而,由于脑电(electroencephalogram, EEG)信号的采集是由多通道脑电帽采集的,并且分布在各个频带上,因此经过特征提取得到的特征维度过高,造成后续识别模型复杂度过高。对此,通常使用主成分分析(principal component analysis, PCA)对高维特征向量进行降维处理,但是降维维度的取值很难确定。提出了一种基于主成分分析的自适应维度寻优方法,将实验数据集中的高维特征使用主成分分析降维到寻优维数范围内的各个维度,并将各个维度的分类精度绘制成维度—分类精度曲线,通过识别该曲线的“肘部”来确定该实验数据集的最优降维维度,并将该维度应用到同实验的其他实验数据上进行脑力负荷识别。结果表明,该方法可以准确识别出在同实验数据集中通用的最优降维维度,有效提高识别效率。