基于有限元和试验的钢管混凝土柱IMS抗震

为了研究钢管混凝土柱IMS结构的抗震性能,运用了有限元理论分析钢管混凝土柱IMS(institute for testing of materials republic of serbia)结构抗震性能,并与抗震试验数据进行对比,检验其抗震性能.通过运用有限元软件建立2层钢管混凝土柱IMS结构模型,对所建立的结构形式进行弹性反应谱分析及弹塑性时程分析,并与振动台试验数据进行比较分析.理论分析与振动台试验均表明,该结构体系能很好地满足8度二组II类场地地区小震的作用.弹塑性时程分析及静力弹塑性分析结果表明,该体系也能很好地满足8度地区大震作用的抗震设防.钢管混凝土柱IMS的抗震性能满足要求.通过有限元理论和试验相结合的方法,得出钢管混凝土柱IMS抗震性能参数,从而为钢管混凝土IMS的设计计算和制定相关规范的提供科学的依据.     

基于操纵信号的小客车专用高速平曲线驾驶特性

利用驾驶模拟软件设计并实施了小客车专用高速平曲线路段仿真实验,并对平曲线驾驶特性进行了分析。结果表明,不同半径平曲线路段均满足速度变化绝对值和速度梯度绝对值的协调性要求;小半径曲线路段起弯、回正点滞后严重,分别比直缓点和缓直点晚了100 m和30 m,操作负荷主要受曲率变化的影响;不同转向和半径的平曲线均会造成内侧和外侧偏移,随着半径的减小,车道偏移增加并向内侧集中,同时横向位置更稳定。     

引入SSA的ARIMA-HPSO-Elman组合模型的汇率预测方法——基于人民币对美元汇率中间价数据

汇率兼有线性和非线性的双重混合行为特征,因此单一的线性模型或非线性模型均无法完美地胜任汇率的预测工作.对人民币对美元汇率中间价序列进行研究,首先通过奇异谱分析SSA方法对汇率序列去噪,并对重构后的汇率序列建立ARIMA模型进行拟合预测以提取出原汇率序列的线性成分,其次对残差部分通过基于杂交变异的混合粒子群优化算法优化的Elman神经网络进行建模并预测,两部分结果相加即为原汇率序列的预测值.实证结果表明,人民币汇率波动存在着周期振荡的特征,在汇率序列的样本外30日预测上,基于SSA方法的组合模型预测性能相对单一模型以及未采取SSA方法的组合模型而言,短期的表现均较优.     

基于Geant4的联合模型神经网络法解析γ能谱

利用Geant4模拟软件及MATLAB计算软件,开展多人工神经网络模型定量分析低计数率核素的研究,分析了包含五个不同类型网络的BP神经网络模型对国控环境监测站NaI(Tl)探测器模拟能谱的识别能力。实验结果表明:多网络模型的使用有利于提高低计数核素的识别准确度,能够有效识别未知核素的存在与否。     

基于随机矩阵谱分析的机械液压传动系统故障辨识方法

传统故障辨识方法受机械液压传动系统故障影响,存在故障辨识率低、有效性差问题,提出基于随机矩阵谱分析的机械液压传动系统故障辨识方法.通过分解故障振动信号,得到故障信号的特征向量函数,利用线性分析提取故障信号的随机变量;根据故障信号求解,提取机械液压传动系统故障特征;利用随机矩阵谱分析方法描述机械液压传动系统的状态空间,推算机械液压传动系统的状态方程;利用机械液压传动系统的残差阈值,检测到机械液压传动系统故障;通过对比机械液压传动系统故障的贴近度,选取最大值作为机械液压传感系统的故障信息,实现机械液压传动系统故障辨识.实验结果表明,该方法具有更高的故障辨识率.     

基于LOF-SSA-PSO-LSSVM模型的旅游客流量预测

针对月度旅游客流量影响因素复杂，时间序列数据中可能存在异常值和噪声的特点，提出了一个基于局部异常因子(LOF)和奇异谱分析(SSA)的LOF-SSA-PSO-LSSVM预测模型.数据预处理阶段，对原始序列运用X12季节加法模型消除季节性的影响，采用LOF方法检测季节调整后序列的异常值，并使用线性插值和最小二乘支持向量机(LSSVM)方法来修正异常值，新的待预测序列由修正后的季节调整序列与季节因子序列加和得到.预测阶段，首先采用奇异谱分析(SSA)方法来剔除新的待预测序列中的噪声，然后采用PSO-LSSVM方法对其进行预测.以上海2004年1月至2018年12月旅游客流量序列的预测为例，通过与ARIMA、LSSVM等模型比较，表明LOF-SSA-PSO-LSSVM模型能有效提高旅游客流量的预测精度和稳定性.     

基于变权重奇异谱分析的心律不齐识别方法

现有心律不齐研究多数围绕心电信号中不同频率特性成分的分离展开，而不同子序列的信息量对于最终目标决策的贡献则缺少研究与分析.为增强高贡献度子序列对于分类器的影响，提出了一种变权重奇异谱分析与深度学习结合的识别方法.通过奇异谱分析获得多个子序列，结合各个子序列的奇异值计算随机森林下的基尼系数，并将其作为权重.变权重的序列样本用于训练神经网络模型，更高效地挖掘了有用信息，进一步提高了识别精度，最终的心律不齐识别准确率为98.35%，Macro-F1为97.95%.相对于传统的定值权重，本文提出的变权重识别方法在各个性能指标上均有明显提升.