放大自发辐射解调的光纤光栅振动传感系统时域建模研究

将放大自发辐射(ASE)光源的线性区间作为边缘滤波器的解调技术予以推广,将其由温度、应变的静态解调扩展应用至光纤光栅振动传感器的动态解调.首先建立了基于ASE光源解调的光纤光栅振动传感测量系统,提出位移负阶跃响应测试法并利用其得到了该系统的时域信号,并且由非线性直接拟合法获得该系统的动态参数,所得动态参数与有限元仿真结果相近.研究结果表明:ASE光源进行动态解调方案简单可行,位移负阶跃响应测试法获得动态时域信号不需要专门的激励设备,易于实现,与传统求取动态参数的方法相比,非线性拟合法求取动态参数更为简便.     

求解平面图形内各点速度、加速度的简捷方法

研究刚体的平面平行运动,用复矢量方法推导了平面图形内各点的速度、加速度关系式,给出了求解平面图形内各点速度、加速度的简捷方法。这种方法不用作速度、加速度图,只需求出平面图形内点的速度函数式、加速度函数式,就可以求出平面图形内各点的速度、加速度,而且所求未知量的大小和方向直接有表达式一并给出,便于用计算机编程计算。需求点的数目越多,这种方法的优越性越显著。另一方面,本文用复矢量方法研究刚体的平面平行运动,也使得用复矢量方法研究运动学形成一个完整的体系。     

基于加速度干扰的圆曲线上行车舒适性的研究

车辆速度的变化影响到行车舒适性,而加速度干扰正是对车辆速度变化的描述,因此加速度干扰可作为行车舒适性的定量评价指标.选择平面线形中三要素之一的圆曲线上的行车舒适性进行研究,将车辆的加速度按水平和竖直方向进行分解,结合加速度干扰理论,分别建立2个方向的分加速度干扰模型.根据人体对不同振动方向的敏感程度不同,给予不同的计权系数,建立了圆曲线上合加速度干扰模型.最后,选用实际圆曲线道路进行实例仿真,并分析加速度干扰值的变化过程及行车舒适性,分析结果表明圆曲线半径和行车速度均对行车舒适性有较大影响.新模型既可为全面准确评价行车舒适性提供定量的计算表达式,又可在圆曲线道路设计时提供一定的参数设计依据.     

基于脑电的立体视频加速度的特征识别

构建一种能够自适应提取脑电特征的PMEMD-2JSD-CSP模型,明确了立体视频的两类匀加速深度运动的可分性.利用部分噪声辅助多变量经验模态分解(PNA-MEMD)对脑电(EEG)信号进行分解得到本征模态函数(IMF),应用基于詹森-香农散度(JSD)的有效因子对IMF进行两次不同范围的自适应筛选,筛选结果按照权重叠加构成重构信号.利用共空间模式(CSP)对重构信号进行空域特征提取,支持向量机(SVM)对特征进行分类,分类正确率最高为73.16%,证明了该模型对两类EEG信号特征提取的有效性.     

基于优化MRVA的Φ-OTDR相干衰落抑制方法

本文针对相位敏感光时域反射(Φ-OTDR)系统的一种相干衰落抑制方法旋转矢量移动平均(MRVA)进行了优化，获得了性能更优的相干衰落抑制.该优化方法从两个方面展开，首先使用加权窗口代替MRVA方法中的矩形窗口，兼顾测量精度和空间分辨率；然后根据移动平均与低通滤波的数理等效性，将时域移动平均转换为运算速度更快的频域低通滤波，提高信号处理效率.实验结果表明，相较于MRVA方法，该方法的解调相位精度提高了约23%,计算时间从0.957 s缩短至0.026 s,运算速度提高约36倍.     

利用轻量化深度学习模型和加速度信号的枪击识别方法

枪支射击的检测与识别有助于实现枪支和子弹的精准管控，从而防止枪支滥用、提高公共安全。区别于传统利用加速度传感器的枪击识别需要进行特征提取的方法，本文针对不同类型的枪击加速度信号，首次采用深度学习的方法进行研究，提出了一种新的兼顾精度和轻量化的EfficientNetTime时间序列分类模型。该架构核心由MBConvTime，Fused-MBConvTime模块组成，能够自动提取枪击加速度信号特征，对不同输入时间尺度更具鲁棒性。在识别精确率方面达到97.42%超越传统枪击识别算法，并在公开枪击数据集上与SVM、决策树、随机森林三种传统机器学习模型和FCN、Resnet、Inceptiontime、Xceptiontime四种时间序列深度学习模型对比。实验结果表明EfficientNetTime模型更加高效，识别精确率也更高。     

基于加速度多重基线校正的移动车辆下桥梁动位移间接测量方法

针对桥梁荷载试验中传统的动位移直接测量方法设备仪器安装复杂、操作难度大代价高、甚至在特殊条件下难以实现等问题，以现有相关研究成果为基础，提出一种基于实测加速度动静分离和多重基线校正策略的桥梁动位移间接测量方法。通过对加速度数据进行基线校正消除其整体偏移误差，利用快速傅里叶变换滤波消除高频噪声干扰，动静分离得到准静态和自由振动响应并分别积分后叠加。考虑动静响应特征差异提出一种新型多重基线校正方法，实现了趋势项误差的有效消除。基于所建立的位移估计方法框架和流程，通过20~40km/h多种车速下实桥现场动载试验获得的加速度和直接法动位移测试数据，对本文方法进行了试验验证。动位移估计值与直接测试值时程曲线吻合程度良好，峰值相对误差1.68%~5.29%，表明所提出的动位移估计算法具有较高的精度和工程适用性。     

红层泥岩剪切蠕变特性及非定常本构模型研究

滇中红层泥岩具有显著的流变特性，会给当地工程建设带来安全隐患。选取狮子山隧洞段的红层泥岩进行分级加载蠕变试验，对其蠕变特性开展研究。结果表明，在较低应力状态下，岩样主要表现为衰减蠕变，而在较高应力状态下，岩样将发生从衰减蠕变、等速蠕变直至加速蠕变破坏的全过程蠕变。对岩样各阶段变形数据进行回归分析，建立拟合方程，发现岩样各阶段变形具有显著的非线性变形特性。根据岩样的非线性变形特性提出了1个指数型加速元件，通过与Bingham体中的黏性元件串联形成改进的Bingham体，使其能克服传统Bingham体模拟加速阶段存在的不足，并同时对Hoek体及Kelvin体进行非线性改进，然后通过将非线性Hoek体、Kelvin体与改进Bingham体串联，建立了1个能够描述滇中红层泥岩蠕变特性的非线性、非定常黏弹塑性岩石蠕变模型。通过与不同剪应力下红层泥岩的蠕变试验曲线进行比较，发现理论模型得到的结果与试验数据吻合较好，表明所建模型对于滇中红层泥岩具有较好的适用性。     

基于FPGA并行加速的脉冲神经网络在线学习硬件结构的设计与实现

当前，基于数字电路的脉冲神经网络硬件设计，在学习功能方面的突触并行性不高，导致硬件整体延时较大，在一定程度上限制了脉冲神经网络模型在线学习的速度。针对上述问题，文中提出了一种基于FPGA并行加速的高效脉冲神经网络在线学习硬件结构，通过神经元和突触的双并行设计对模型的训练与推理过程进行加速。首先，设计具有并行脉冲传递功能和并行脉冲时间依赖可塑性学习功能的突触结构；然后，搭建输入编码层和赢家通吃结构的学习层，并优化赢家通吃网络的侧向抑制的实现，形成规模为784～400的脉冲神经网络模型。实验结果表明：在MNIST数据集上，使用该硬件结构的脉冲神经网络模型训练一幅图像需要的时间为1.61 ms、能耗约为3.18 mJ，推理一幅图像需要的时间为1.19 ms、能耗约为2.37 mJ，识别MNIST测试集样本的准确率可达87.51%；在文中设计的硬件框架下，突触并行结构能使训练速度提升38%以上，硬件能耗降低约24.1%，有助于促进边缘智能计算设备及技术的发展。