新型旋转粘滞阻尼器力学性能研究

针对传统粘滞阻尼器体积大、应用范围有限、只能线性运动和可能发生漏液的现象,提出了一种新型旋转粘滞阻尼器,该阻尼器以旋转片剪切粘滞液产生阻尼力,并可通过齿轮和齿条实现阻尼力的传递。推导了新型旋转粘滞阻尼器阻尼力的理论公式,并进行了频率相关性试验和疲劳试验研究。试验结果表明,新型旋转粘滞阻尼器解决了阻尼液密封性问题,在占用空间体积较小的情况下,耗能效果较好而且性能稳定。     

一类随机SDQR酗酒模型的持久性分析

在确定型SDQR酗酒模型的基础上,考虑随机因素得到具有双线性发生率的随机酗酒模型．由持久性的含义,利用It?公式得到D（t）上、下极限的范围,并在此基础上得出了Q（t）、R（t）的上、下极限．结果表明,当白噪声强度较小时,重度酗酒者、正在戒酒者、成功戒酒者等几类群体将持续存在．     

山东CORS站噪声特征分析

针对不同区域坐标时间序列的周期和噪声特性存在差异问题,以山东27个连续运行参考站(CORS站)2015年至2018年的数据为研究对象,在数据预处理的基础上,对各站点坐标分量的周期和噪声进行研究.结果表明:水平方向存在着明显的线性运动,垂直方向的周期运动较为规律;坐标分量的谱指数显示大部分站点的噪声模型为白噪声+闪烁噪声...     

一种改进的最大熵方法在船舶辐射噪声盲分离中的应用

对于船舶辐射噪声信号的盲信号分离(BSS)问题，由于常用的最小互信息(MMI)方法需要估计输出信号的高阶累积量，这对于非高斯、非平稳的船舶辐射噪声来说信号估计的精度将会降低．为此，本文验证了最大熵(ME)方法在处理此类复杂信号时能作为最佳对比函数的条件，并在此基础上用高斯混合模型来估计信号的概率分布，提高了信号概率密度估计的精度；同时在算法的迭代过程中使用自然梯度下降法代替随机梯度下降法，提高了算法的收敛速度．通过对船舶辐射噪声信号的盲分离实验，证明了此分离算法是有效的．     

公路隧道运营通风效果现场实测与分析

采用CO－1A型CO气体检测报警仪对某隧道内空气中CO浓度进行了实测，测试结果表明在通风系统正常工作的状态下，隧道内空气中CO浓度远小于设计值，能保持隧道内良好的空气。同时，采用SL－4001型声级计对隧道噪声进行了测试。     

色噪声与乘性信号驱动下昆虫爆发系统的稳定性和随机共振

研究的是一类受色噪声和乘性周期信号驱动的昆虫爆发系统的稳定性和随机共振现象.首先对于一类由色交叉关联噪声驱动的昆虫爆发种群系统,通过应用FPK方程,获取了系统的稳态概率分布函数的近似表达式,重点讨论了噪声强度及自相关时间对此类昆虫爆发系统稳定性的影响; 然后通过加入弱乘性周期信号,根据快速下降法和两态理论给出了信噪比公式,研究了噪声及其关联时间对于昆虫系统信噪比的影响.进而分析它们对系统种群数的稳定性和延续存活时间的一些实际作用     

基于高斯噪声与ST-GCN的人体骨架动作识别

针对基于ST-GCN的骨架动作识别中人工预定义的邻接矩阵结构单一、难以捕捉到非相邻关节点之间的相关性这一问题,提出了一种基于高斯噪声的扰动机制.在人工预定义的骨架图邻接矩阵上引入高斯噪声,利用该噪声扰动ST-GCN中固定的邻接矩阵,捕捉非相邻关节点之间的相关性,运用该方法在具挑战性的NTU RGB+D和Kinetics-Skeleton两个大规模数据集上进行了分类识别实验,结果表明：该方法在两大数据集上的识别精度高达95.34%和36.43%,在节约计算量的前提下有效地提高了动作识别的性能.     

基于实测数据的高铁候车厅声环境特征分析

为探究人群活动噪声、公共广播声及列车经过时的噪声对高铁候车厅声环境的影响,以1个高架候车厅和3个线下式候车厅作为研究对象,采用现场实测的方式分析了这3类声音的声压级、频谱特性以及影响因素.结果表明,人群活动噪声的A声级与候车厅内的旅客数量成对数关系.广播声能量主要分布在500～1 000 Hz的中高频率段,且信噪比为6.9～11.1 dB.列车经过时的噪声频谱曲线中,100 Hz以下存在明显的低频噪声峰值,此时的噪声能量超过相关标准限值,且对线下式候车厅的影响要高于高架候车厅.研究结果有利于进一步了解高铁候车厅声环境规律,为改善声环境提供参考意见.     

微小流量旋转直驱伺服阀传控特性分析与优化

针对无人机、战术弹、支线民航等小型飞行器航空发动机燃油计量系统与推力矢量系统微小流量的伺服控制需求,就旋转直驱伺服阀偏心球副传动接口与非全周节流阀口等关键结构进行了尺寸约束设计分析,并就节流阀口宽度、球副偏心距以及驱动电机转动惯量等重要参数进行了优化分析,给出了伺服阀结构设计的优化区间。在此基础上,研究提出了电机转角与电流双闭环控制方法,幅频响应实测结果与理论分析较为一致,200 Hz以上高频响应满足实际需求,且双闭环控制方法大幅降低了伺服阀响应超调并提升了稳定性。     

基于正则化正交非负矩阵分解的旋转目标检测方法

小样本的旋转目标检测是指在样本数少的情况下进行旋转目标检测模型的训练,深度学习在旋转目标检测领域往往需要庞大的样本数和计算算力。现有的基于机器学习的旋转目标检测方法大多有着对目标尺度和姿态敏感的缺点。因此提出一种基于正则化正交非负矩阵分解的旋转目标检测方法,来解决小样本的旋转目标检测难题。首先,针对样本不具有各种角度的图片,对样本进行旋转后进行背景填充,这样便于更好的表征学习。其次,提出一种基于正则化正交非负矩阵分解算法对旋转样本的梯度直方图特征进行表征学习。最后,为了测试算法在特征学习后的有效性,利用支持向量机对特征提取后的数据进行训练和测试。实验结果表明本文的目标检测方法在多个数据集中可以取得不错的效果。