卧式螺旋离心机转鼓参数变化对其模态影响的仿真

采用Pro/e软件建立了卧式螺旋离心机转鼓的有限元模型,在此基础上对有限元模型所涉及的网格划分、材料特性、边界条件以及施加约束等关键条件进行研究。通过改变转鼓的主要尺寸参数,获得参数改变前后转鼓15阶频率的对比结果;并利用有限元分析软件对其进行模态分析,得到其仿真图和转鼓壁厚与应力关系。通过对转鼓模态进行仿真分析,获得整个转鼓各参数的变化对其频率、应力及应变的影响。仿真结果表明:加大壁厚,转鼓的质量发生很大变化,对其固有频率产生较大影响;扩大内径相当于增加转鼓质量,但对转鼓固有频率的影响不大,却导致第一阶振型与原振型完全不同,应力位置也明显变化;转鼓内壁产生的应力主要由浆体离心力引起。这些结论可为设计转鼓的合理结构提供参考。     

通过声辐射模态研究结构噪声的有源控制

以简支矩形板为例,通过声辐射模态控制结构噪声,并分析了声辐射模记的数学和物理意义。研究发现在中、低频时,辐射模态对应的辐射效率随着模态阶数的均加而迅速降低。本文以点力作动器作为控制力源,以声功率最小化为控制策略进行主动控制。并且进行了数值计算研究。     

深度学习与一致性表示空间学习的跨媒体检索

提出一种基于深度学习与一致性表示空间学习的方法,针对图像与文本2种模态,分别采用卷积神经网络模型和潜在狄利克雷分布算法学习图像的深度特征和文档的主题概率分布;通过一个概率模型将两个高度异构的向量空间非线性映射到一个一致性表示空间;采用中心相关性算法计算不同模态信息在此空间的距离.在Wikipedia Dataset上的实验结果表明:在单模态输入检索中,文中方法的平均准确率为38.43%,相比于其他方法有明显提高.     

利用人工智能神经网络预测广州市PM2.5日浓度

利用差分整合移动平均自回归模型(ARIMA)、后向传播神经网络(BP)以及长短期记忆神经网络(LSTM),对广州市2015—2019年的PM2.5浓度数据进行训练和预报,研究集合经验模态(EEMD)分解和时间分辨率对不同模型预报准确性的影响.结果表明,EEMD分解可以显著地提升低频分量的预报效果;提高输入数据的时间分辨...     

神经网络参数对地震类型识别的影响

由于震源识别模型判据选取不当或关键参数设置不合理,现有地震辨识模型的性能受到一定制约。为了改善地震类型识别效果,优化反向传播(back propagation, BP)神经网络参数设置,提出了一种经验模态分解(empirical mode decomposition, EMD)多尺度近似熵(multi-scale approximate entropy)判据,并讨论训练函数、激活函数、隐藏层神经元数目与学习速率等网络参数对地震辨识的影响。首先,针对多组天然地震事件及人工爆破事件波形进行关键信息提取与归一化,利用EMD算法提取6个本征模态函数(intrinsic mode function, IMF)和1个剩余分量(residual),然后分别计算近似熵得到EMD多尺度近似熵向量;再次,设计一系列BP神经网络调参实验,研究BP神经网络参数对地震类型识别的影响。结果表明,训练函数、激活函数、隐藏层数目等参数对地震辨识产生了明显的影响,辨识效果较好的参数组合为：训练函数采用共轭梯度法,输出层激励函数为purelin函数,隐层激励函数为logsig函数,隐层节点数和学习率分别设置为10和0.0...     

基于双脉冲特征的滚动轴承缺陷尺寸估计方法

根据提取的滚动轴承特征信号实现对故障缺陷尺寸的准确估计,提出了一种基于双脉冲特征的滚动轴承缺陷尺寸估计方法.采用AR模型对采集到的振动信号进行预白化处理,对预白化处理后的信号进行VMD分解,得到一系列固有模态函数.根据峭度值和互信息最大,分别选取包含有阶跃成分与冲击成分的分量,并采用平方包络增强信号的特征.根据双脉冲特...     

结构动力模型修正中的一类矩阵反问题

在实际工程中,由有限元模型得到的计算值与通过试验获得的测量值之间往往存在偏差,为了能够精确预测结构的动力响应,依据测量信息修正存在的动力模型是非常必要的.本文考虑用不完备复模态测量数据修正粘性阻尼矩阵的问题.在假定分析质量矩阵与分析刚度矩阵是精确的情况下,通过求解一个约束最优化问题,得到了满足特征方程的加权Frobenius范数意义下的最优对称非负定修正矩阵.     

工字形曲线组合梁负弯矩区侧向失稳分析

目的 为曲线组合梁结构设计提供理论依据,研究负弯矩区工字形曲线组合梁考虑上、下翼缘均发生侧向弯曲变形与扭转变形的稳定性.方法 基于能量法推导等端弯矩作用下曲线钢梁上、下翼缘及混凝土板应变能,基于势能驻值定理推导曲线组合梁侧向失稳临界弯矩解析解.分析比较不同参数对临界弯矩的影响.结果 曲率半径从4 000 mm增加到8 ...     

基于时频融合卷积神经网络的股票指数预测

传统的股票指数预测方法是在含噪声、非平稳以及非线性的原始股指序列数据上实施的,这将导致预测精度的下降。为了解决这个问题,提出了一种基于时频融合卷积神经网络的股指预测方法。首先通过引入变分模态分解(VMD)将原始序列数据分解到频域特征上,使得分解后的股指数据具有低信噪比,同时具有更明显的趋势性和平稳性。进一步结合时序卷积神经网络(TCN),构建了时频融合的卷积神经网络模型。最后在6个实际数据集上与8个基准方法进行比较,实验结果表明该方法具有更高的预测精度和更好的解释性。     

原子钟数据的改进经验模态分解降噪

为了提升原子钟数据降噪效果,基于经验模态分解(EMD),结合小波阈值降噪方法,提出了一种改进EMD的方法.在分析原子钟噪声模型的基础上,明确了原子钟频率数据非线性、非平稳的特点.结合EMD方法原理中固有模函数(IMF)需要满足的条件和提取步骤,利用窗口做出划分,对每一个窗口进行降噪处理,再利用小波阈值进行二次降噪,最后...