高密度立交出入口车辆纵向运行特性

为明确车辆在高密度互通立交主线入口、出口以及连接段的纵向运行速度特征,在重庆市选取了5座立交为研究对象,开展了47名驾驶员的小客车实车驾驶试验。通过speedbox和mobileye等实验仪器采集的数据,包括车辆运行速度、纵向加速度等,对数据进行处理并按入口、出口及连接段分类提取数据,绘制出对应的速度曲线图,以明确车辆在高密度互通立交出入口以及连接段的纵向运行特性。分析结果表明：入口处速度趋势有两类,平行式入口是上升—平稳,直接式入口是持续上升,平行式入口速度均值高于直接式,平行式入口速度标准差小于直接式;不同类型入口对驾驶人的加速操作选择具有一定影响;平行式入口在纵向加速度均值上较直接式入口低;出口处速度分布整体呈平稳下降趋势,平行式的运行速度均值低于直接式,但速度标准差却更高;出口速度变化特征点受驾驶人在主线出口减速偏好性影响;平行式出口减速度最大值与均值均大于直接式;相邻立交净距较短时,连接段的速度变化较为平缓,并且不同驾驶人的速度幅值比较接近;而常规净距的相邻立交,连接段的速度波动性大且离散。研究成果为高密度互通立交出入口及连接段的安全性评价以及安全改善提供了理论支撑以及基础数据支撑。     

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。