基于粒子滤波的跟踪算法研究

在非线性条件下,扩展Kalman 滤波（ EKF）的应用最为广泛。但是,由于它采用了Taylor展开的线性变换来近似非线性模型,因而存在计算量大、实时性差、估计精度低等缺点。粒子滤波（ PF）用一些带有权值的随机样本（粒子）来表示所需要的后验概率密度,并通过这些粒子的加权来估计目标运动的状态,从而得到基于物理模型的近似最优数值解,具有精度高、收敛速度快等特点。通过仿真实验将PF与EKF的性能进行了对比,并且研究了噪声协方差与粒子数对PF的影响。 PF与EKF的对比实验结果表明,在强非线性条件下,PF比EKF跟踪精度更高,误差更低。     

两种FRP-混凝土组合梁对比试验及界面抗剪

为研究FRP型材-混凝土组合梁界面连接方式及界面抗剪计算方法,对FRP小型材和钢螺栓2种剪力键形式进行了对比研究.对1根纯FRP梁、2根剪力键为FRP小工字梁、3根剪力键为钢螺栓的组合梁进行了四点弯曲试验.对比不同梁的承载力、破坏模式、刚度等.研究了不同连接形式及连接程度对组合梁性能的影响.推导了界面纵向抗剪承载力计算公式.试验和理论研究结果表明：钢螺栓剪力键传递界面剪力的效率和极限承载力较FRP小工字梁剪力键高.     

数据驱动的UHPC与钢筋界面黏结强度研究

超高性能混凝土(Ultra-high Performance Concrete, UHPC)与钢筋界面的良好黏结是保证结构安全和正常使用的关键，直接决定了结构设计与性能评估。然而，传统基于试验或力学推导的界面黏结性能评估方法难以反映众多因素的影响，预测精度低、方差大。近年来，基于人工智能的数据驱动技术发展迅猛，为解决上述问题提供了新思路。建立了样本容量为670的钢筋与UHPC界面黏结试验数据库，分析了特征相关性和主要因素影响规律。剔除数据缺失、数据噪声等无效数据后，得到了557组有效数据子库。基于机器学习方法训练并生成了9种黏结强度预测模型，包括4个线性模型和5个非线性模型。采用决定系数(R²)、均方根误差(RMSE)和平均绝对误差(MAE)指标开展了模型预测精度评价，对比了机器学习模型和传统模型的预测精度。结果表明：钢纤维掺量2%的试验样本占75.8%,钢筋直径16 mm的试验样本占64.6%,缺乏其他纤维掺量与钢筋直径的研究样本，尤其是低配纤、高配纤以及大直径钢筋的试验数据。5次随机抽样训练预测结果中，人工神经网络模型对试验结果预测最好，R²