制冷剂回收机在汽车维修中的重要性

1、制冷剂回收机的功能特点在汽车维修作业时,经常要用到制冷剂回收机,俗称冷媒充注机、冷媒回收机或加氟机。其实,如果从功能上来理解,制冷剂回收机可以分为单充注机、单回收机和回收充注机。单充注机,主要组成部分为真空泵、充注管、高低压表及接头,它只能完成充注制冷剂的功能。     

基于SVM的地铁钢轨短波波磨特征识别

地铁钢轨短波波磨现象严重影响列车运行安全,更快速、准确地对钢轨波磨进行检测,有利于及时指导钢轨打磨,从而避免或减少由钢轨波磨引发的一系列问题。文章以轮轨噪声作为检测信号,提出了一种基于支持向量机（SVM）的地铁钢轨短波波磨特征识别框架;结合轮轨噪声和短波波磨类别特点,采用时域-频域特征提取方法,以最大化支持向量机分类精度为依据,实现对特征的有效提取和选择;较为全面地考虑现实中的各类钢轨短波波磨类型,实现对短波波磨的正确分类。分类测试结果表明,基于轮轨噪声和支持向量机的地铁钢轨短波波磨特征识别方法能够有效地对波磨波长和幅值进行正确分类,其中波长分类平均精度达到97.32%,幅值分类平均精度达到97.99%.     

基于BP神经网络的区域交叉口协调控制

城市区域交通协调控制是城市智能交通的研究重点,研究目的是减少车辆延误,提高路网通行能力.针对此问题,根据单交叉口神经网络控制方法,提出一种基于BP神经网络的区域多交叉口协调控制方法.采用五交叉口组成的区域路网,以区域所有交叉口平均车辆延误作为评价指标,利用MATLAB软件编程进行仿真.仿真结果表明,神经网络协调控制方法与定时控制、神经网络单独控制方法相比,能够取得更好的控制效果.     

基于SVM的中小学校门口交通安全评价

根据兰州市安宁区8所中小学校门口调查数据,建立基于支持向量机的中小学校门口交通安全评价模型,利用MATLAB编程,计算8所中小学相对安全情况。结果表明：在数据样本较小的情况下,应用SVM 模型可以较好评价中小学校门口安全等级;在数据充足、影响因素指标赋值规范的情况下,评价效果进一步提高。可以为中小学校门口道路及其附属设施建设提供参考,有效地减少城市儿童道路交通伤害。     

基于DBNs的车辆悬架减振器异响鉴别方法

针对人工经验提取特征进行减振器异响鉴别的复杂性与不可扩展性的问题,分析了深度信念网络(deep belief networks,DBNs)在减振器异响鉴别中的应用,并结合减振器整车与台架试验提出了完整的减振器异响鉴别流程.该方法只需将收集到的减振器活塞杆顶端振动加速度信号作为输入,经过DBNs模型逐层特征学习便可进行减振器异响鉴别.同时将鉴别结果与经典的BP神经网络、支持向量机以及传统的3种人工特征提取方法进行对比分析.结果表明:在输入仅为原始信号的条件下,深度信念网络模型对减振器异响鉴别的准确率为96.7%,表明了深度信念网络在减振器异响甄别中的优越性,具有广泛的工程应用前景.      

基于多重分形与SVM的高速列车运行状态识别方法

为了评估高速列车服役性态问题,提出基于多重分形与支持向量机(SVM)的高速列车状态识别新方法.该方法计算了高速列车振动信号的多重分形谱,分析了多重分形谱参数与列车状态之间的关联关系,提取了多重分形谱宽度、分形维数差和谱偏斜度作为高速列车状态的特征,使用支持向量机来对高速列车状态进行识别.获取了某型列车的正常状态、抗蛇行减震器失效、空簧失效3种典型的多重分形特征,训练了不同速度下的SVM和单一速度为160 km/h的SVM,并进行了工况识别实验.所提方法对高速列车的状态识别率大于88.8%,表明了该方法的有效性.      

一种基于支持向量机的增量学习算法

具有增量学习功能的数据分类技术与普通的数据处理技术相比较,增量学习分类技术具有明显的优越性?在新的训练过程中充分利用了历史的训练结果,从而显著减少了后继训练的时间。介绍了支持向量机的基本理论和一般的支持向量机增量学习算法,针对有些渐变问题(如机械设备的早期故障期和损耗期),新样本所提供的信息量与历史样本所提供的信息量是不同的,给出一种新息加权的支持向量机的增量学习算法,通过循环来获得最优分类面仿真实验表明,采用加权的增量算法更能反映新样本点的特征?     

基于神经网络的砼联锁块铺面厚度计算

神经网络具有很强的非线性映射功能,该文利用BP神经网络计算检验了联锁块铺面块料层的厚度,重点讨论了BP神经网络的拓扑结构和修正算法。通过对检验结果进行分析比较,证明此方法在联锁块铺面块料层的厚度计算及检验中具有很好的实用价值。     

芝川河特大桥钻孔桩施工技术

结合特大桥桩基施工实际,介绍了泥浆护壁成孔灌注桩施工的工艺流程,阐述了旋挖钻机和回旋钻机的比选以及泥浆护壁、水下混凝土灌注等关键技术的施工要点,可为今后类似工程提供借鉴。     

BP神经网络收敛性问题的改进措施

BP算法现在已成为目前应用最广泛的神经网络学习算法,它在函数逼近、模式识别、分类、数据压缩等领域有着更加广泛的应用,但存在收敛较慢问题.笔者在文中简述了BP算法原理,针对BP算法的收敛性问题,提出了几点改进措施.