一种基于自然梯度的循环平稳信号盲分离方法及其应用

建立瞬时混合模型下的代价函数,通过改进自然梯度算法的迭代极小化代价函数以恢复源信号。仿真分析证明该算法的有效性,与传统的ICA算法相比有更好的效果和收敛速度;滚动轴承故障实例分析证明,该算法能有效分离内圈故障信号。     

高速排水型船舶艉浪数值计算

采用近、远域结合的方法,对高速排水型船舶在深水状态下的NPL单体船、双体船以及三体船的艉浪进行数值计算,计算与试验比较表明该方法是可行性的,初步探讨了深水条件下单体船艉浪的衰减规律。     

舰船辐射噪声特征建模

介绍一种舰船辐射噪声1/3 Oct谱模型建立方法.通过分别对机械噪声、螺旋桨直接辐射噪声及桨轴激励艇体振动噪声的特征规律研究,建立了机械和螺旋桨的额定声压脉动谱模型及桨轴激励艇体响应函数模型.根据机械噪声和螺旋桨噪声同航速的变化关系,得到不同转速下的合成辐射噪声1/3 Oct谱.利用Matlab GUI编写舰船辐射噪声...     

基于核函数变换的NLPCC分析在洪水分类中的应用

通过拟线性化变换和降维去噪,得出多维分类指标的低维主成分值,然后通过对每一待分类样本的低维主成分值进行聚类分析,最终得出洪水的自然分类结果.洪水分类实例结果表明,该计算方法不需要复杂的计算机专业知识和优化算法知识,原理清楚,计算简单,结果客观有效,不失为一种洪水分类评价的新途径.选择适宜的非线性变换函数是正确应用该方法的关键,同时对于能够预先给出分类指标值且数值范围较小时,需要指标标准数值判定和聚类效果判定相结合.     

测力钢轨轮轨力连续输出算法

根据轮轨相互作用特点,利用地面测试数据的信息,采用阈值判断法提取有效的轮轨力数据。设计基于径向基函数神经网络的算法,用以处理不同测试单元处的轮轨力的非线性关系,用不同车轮不同作用点位置作用下的横、垂向力训练神经网络,实现了测力钢轨轮轨力的连续测试,并对3种工况进行了仿真试验。分析结果表明：既存在干扰又存在应变片损坏时的...     

基于脉冲响应函数法计算小尺度圆柱上的不规则波浪力

通过对波动传递函数的逆傅里叶变换建立脉冲响应函数的解析表达式,在仅已知不规则波波面过程线的情况下,利用脉冲响应函数与已知波面序列的卷积求得不规则波的速度场,并计算不规则波浪序列引起的水质点速度、加速度。通过与线性波浪叠加法的对比验证了方法的正确性,并应用Morison方程计算小尺度圆柱上的不规则波浪力。对不规则波浪力进行频谱分析得到:在非线性较弱时,脉冲响应法求得的波浪力谱与线性谱分析法的波浪力谱较为接近。随着波浪非线性的增强,脉冲响应法求得的速度力谱与线性谱分析法相比峰值不断增大,在低频和高频处能量增多,在主要能量区的谱宽也不断增加,而惯性力谱与线性谱分析方法结果基本相同。     

强夯在尾矿地基处理中的应用

长深公路遵化(承唐界)至南小营段高速公路LJ-1合同段起讫桩号为K0+000～K6+000,路线全长6.00km。路线周围分布大量铁矿选矿厂,并堆集了多年废矿渣,施工时要采取合理的处理措施,采用对其予以强夯处理的方案,取得了较好的效果,为今后类似工程提供了一定的借鉴。     

基于VAR模型的南京市交通量与经济发展关系研究

在对南京市交通量与经济发展指标统计分析的基础上,运用向量自回归模型——VAR模型进行分析,通过采用协整检验模型、Granger因果关系检验模型和脉冲响应函数等分析,得到交通运输与经济发展之间的关系,并给出相应的建议.     

基于动态时间调整的时空图卷积路网交通流量预测

为深入挖掘交通流数据的复杂时空特征并建立其依赖关系,提高交通流参数的预测精度, 本文提出一种新的交通流量预测模型——基于注意力机制和残差网络的时空关系图卷积网络 (TSARGCN)。TSARGCN对输入数据进行切片,实现多分支建模,挖掘数据的时间周期性特征; 引入残差网络保证网络中信息传递的完整性;利用DTW (Dynamic Time Warping)算法计算路网 中节点之间交通流量序列在时间维度的相似程度大小,提出时间图的概念,结合路网结构中各节 点的邻近关系,提出时空关系图的概念;基于时空关系图,在每个分支结合注意力机制分别进行图卷积和时间维度卷积,捕获交通流的时空特征及其依赖关系,实现对路网交通流量数据时空关系的建模。经过在公开数据集PEMSD4上进行实验,结果表明：TSARGCN在交通流量预测中的平均绝对误差 (MAE) 达 到 19.24,均方根误差 (RMSE) 达到 27.09,比 ARIMA(Autoregressive Integrated Moving Average model),Conv-LSTM(Convolution Long short-term memory)及 ASTGCN (Attention based Spatial-temporal Graph Convolutional Network)等知名交通流量预测算法具有更高的预测精度。     

基于广义时空图卷积网络的交通群体运动态势预测

针对当前高速公路与城市快速路交通拥堵现象愈发严重,为交通管理与控制造成巨大困难的问题,提出了一种基于广义时空图卷积网络(GSTGCN)的交通速度预测模型;基于交通数据自身具有的复杂时空特性,定义了广义交通数据图结构,同时构建了广义图的邻接关系;基于图卷积网络基础理论,采用切比雪夫近似与一阶近似简化了图卷积操作的计算成本,建立了广义图卷积算子;结合广义图卷积模块、标准卷积模块与线性全连接层,提出了用于提取复杂交通数据时间、空间特征的GSTGCN模型;利用美国威斯康星州密尔沃基市快速路网上架设的38个检测器,在21个工作日以每5 min为单位记录了车辆速度、流量和占有率数据,测试了GSTGCN模型在该数据集上的短期交通速度预测精度与训练效率。分析结果表明:相较于传统自回归求和滑动平均(ARIMA)模型、长短时记忆(LSTM)模型以及近期的STGCN模型,GSTGCN模型在交通速度的均方根误差、平均绝对误差和平均绝对百分比误差指标上分别降低了22.79%、22.97%和16.73%;此外,GSTGCN模型的训练时长比STGCN模型和LSTM模型分别降低了5.17%和75.71%。可见,GSTGCN模型能够有效处理复杂交通时空数据结构,准确预测交通速度,并为交通管控提供交通群体的运动态势信息。