基于频响函数曲率的结构损伤检测

结构的损伤能够引起结构动力参数的变化。为了更明确地显示损伤,文中用频响函数曲率、频响函数曲率差、频响函数曲率比三种指标来进行损伤诊断。考虑到单处损伤及多处损伤情况,对简支梁进行数值模拟,并用上述三种指标进行了诊断。对比结果表明,在单损情况时,频响函数曲率差及曲率比都对损伤位置敏感;但在多损情况时,频响函数曲率比对损伤位置更加敏感。     

混凝土等颗粒型材料的偶极效应分析

考虑物质点的偶极效应,基于 Cosserat 连续体介质力学模型,把球形微颗粒推广到方形微颗粒,推导出方形微颗粒对应的偶应力和曲率应变之间的线弹性关系,并提出了一种能考虑微颗粒倾覆破坏的广义屈服准则。编写了基于 Cosserat 连续体介质力学模型的有限元分析程序,进行了混凝土试样单轴压缩试验和土体边坡稳定性分析的数值模拟。研究结果表明,物质点的偶极效应确实存在,且是材料发生应变局部化的直接原因。     

阵元非均匀高斯噪声背景下近场声源定位方法

针对阵元非均匀高斯噪声背景下的近场声源定位问题,研究了最大似然定位方法,并给出克拉美-罗界(CRB),进而为了解决最大似然方法常规求解方法多维参数空间搜索的高运算复杂度问题,提出了基于对数似然函数的步进迭代方法(SML)和近似似然函数法(AML).仿真实验表明,SML方法经过较少的迭代即可收敛,SML方法和AML方法的估计精度较高,均方误差(MSE)在较高信噪比条件下逼近CRB.     

Gabriel单子与模范畴的局部化

通过定义Gabriel单子来刻画模范畴的商范畴与局部化范畴,证明了Gabriel单子诱导的像和余像是等价的;其像为模范畴的局部化范畴,该局部化范畴等价于Gabriel单子确定的Kleisli范畴;其余像为模范畴的商范畴,该商范畴等价于Eilengerg-Moore范畴。     

铝合金柱壳在不同速度下的成形极限实验研究

为了研究铝合金高速成形极限,采用电磁驱动金属圆管膨胀技术对6063T6薄壁铝合金圆管的动态膨胀断裂过程进行了实验研究.实验中圆管膨胀速度可达180~250 m/s,应变率在6 000~8 500 s^-1范围.讨论了惯性对于不均匀变形的影响.实验结果表明随着应变率的增加,局域化特征间距减小,碎片数量增多.局域化起始名义应变随应变率的增加呈增大趋势,可能表明材料成形极限随应变率的提高而提高.     

基于测距权重的蒙特卡罗定位改进算法

针对传统蒙特卡罗定位算法采样效率低,对锚节点密度要求高的特点,本文基于蒙特卡罗定位算法MCL提出一种改进的移动传感器网络的节点定位算法IMCB.该算法利用历史锚节点信息和RSSI测距,以及运动模型的改进对待定位节点的位置采样范围进行了进一步限制,对有效采样点的权重进行了区分.仿真结果表明:该算法的定位精度相比MCB算法提高了16.6%.     

一种用于室内定位的线性规划算法

针对基于ToA定位中存在的信标节点较少和发送时间不能提前预知的问题,提出了一种新的应用于无线传感网络室内定位的线性规划算法.通过考虑测量值的最小平均绝对值误差,利用线性逼近方法,将一个复杂的、非凸的室内定位问题转换为一个简单的线性规划问题,并用迭代求精的方法求出最优解.仿真结果表明,提出算法计算复杂度低,收敛速度快,可以快速地求出未知节点的坐标;通过和已有的定位算法相比,提出算法在信标节点较少的情况下,仍能保持很好的定位精度,利用较少的节点资源达到比已有算法更好的定位性能.     

基于深度学习GRU网络的UWB室内定位优化

为减少信号传输质量和距离估计算法等因素对定位精度的影响,将深度学习应用于超宽带（ultra wide band,UWB）室内定位系统,利用门控循环单元（gated recurrent unit,GRU）网络代替传统UWB室内定位系统中的三边测量过程,以提高UWB室内定位精度。在得到定位标签到基站的距离信息后,将距离信息输入GRU网络中,输出最终位置坐标。GRU作为循环神经网络（recurrent neural network,RNN）的变种,既含有RNN处理时序数据的优势,又解决了RNN中的长程依赖问题。对GRU网络模型中不同学习率、优化器、批量大小、网络层数、隐藏神经元数量参数进行调整和训练。结果表明,基于GRU网络模型的UWB室内定位系统显著提高了定位精度,平均定位误差为6.8 cm。     

人体全消化道生理参数遥测胶囊体外连续跟踪定位方法

介绍了目前国际上常用的体内目标的定位方法即放射性同位素扫描和电磁场定位,分析了各自的优缺点,在此基础上提出利用目标体内密封的永久磁铁为磁标记物,在体表处检测多点磁场强度,并采用遗传算法解决非线性方程组的求逆问题从而获得胶囊在体内的位置和方向信息,实现目标在体内的连续定位.仿真实验表明,该方法定位精度在毫米级,完全满足实际应用需求.