排序方式: 共有4条查询结果,搜索用时 7 毫秒
1
1.
2.
为了研究某城际铁路振源特性,对列车通过引起的钢轨、道床板和隧道壁振动进行现场测试,从时域、频域以及利用Morlet小波变换后得到的时频图3个方面分别对测试数据进行分析。结果表明:钢轨的能量主要集中在400~1 000 Hz频段内,其振动以高频振动为主;道床板的能量主要集中在700~900 Hz频段内;隧道壁的能量则是主要集中在40~60 Hz频段内,其振动以低频振动为主。由钢轨传递到道床板总振级平均值衰减了44 d B,衰减幅度约为28%;由道床板传递到隧道壁总振级平均值衰减31 d B,衰减幅度约为27%。 相似文献
3.
随着轨道交通的快速发展,车内噪声已成为铁路运行中一个重要问题,为了得到地铁车内噪声分布规律,分别测试不同速度下地铁车内噪声,使用A计权声压级和线性声压级分析车内噪声特性。结果表明:(1)在同一断面下,站高1.5 m处的噪声A计权声压级均小于坐高1.2 m处,且随着速度的增加,两者的差值增大;(2)转向架上方横向各测点A计权声压级整体呈现从中间逐渐向两边增大的趋势,而转向架上方纵向各测点来看,通过轮轨作用从地板透射入车厢的噪声对车内噪声的影响更大;(3)随着列车运行速度的增加,列车车内噪声中高频成分突出;(4)空调机组内部风机压缩机的机械振动对车内噪声在80~125 Hz处有较大的贡献值。 相似文献
4.
针对城市快速路汽车污染物排放控制需要,紧扣不同排放模型在映射不同时段排放影响因素与排放率关系方面的差异,以排放测试车辆实际工况排放序列为数据源,分别将反向传播神经网络(Back Propagation Neural Network, BPNN)、广义回归神经网络(General Regression Neural Network, GRNN)和径向基函数神经网络(Radial Basis Function, RBFNN)与平均影响值(Mean Impact Value, MIV)方法相结合,构建维度规约模型。以95%累计贡献率为阈值对排放预测模型输入维度进行降维的基础上,分析神经网络在维度规约前后在不同时段的预测污染物排放率适应性。结果表明:维度规约后BPNN和GRNN模型的R2及MSE在全时段排放数据集中的预测性能提升1.19%、10.14%、6.51%、15.56%,RBF模型对维度规约不敏感;全时段GRNN模型的R2和其余两个模型相比提高10.18%和7.68%,MSE和其余两个模型相比降低0.0396和0.0446,同时MAPE显著降低7.38%和3.86%,揭示GRNN模型在... 相似文献
1