基于EEMD和能量算子解调的发动机瞬时转速计算

针对发动机瞬时转速Hilbert频率解调法端点效应误差大、计算精度低的问题,提出了基于总体经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和能量算子解调的瞬时转速计算方法。该方法利用EEMD从原始多分量信号中提取包含瞬时转频的单分量信号,再利用能量算子解调法从所提单分量信号中解调出瞬时转频,进而求得瞬时转速,消除了Hilbert变换的端点效应,提高了计算精度。通过试验信号仿真和实测信号的应用研究,证明了本方法的有效性和准确性。     

一种多样性反馈高斯粒子群算法

针对粒子群算法在算法迭代后期因多样性减少而容易陷入局部最优的缺陷,引入种群多样性反馈(群活性反馈)和高斯正态惯性权重变异算子对粒子群算法进行改进,当粒子群的多样性减少时,通过改变粒子的惯性权重调节粒子速度和位置,从而跳出局部最优解.与标准粒子群算法对比仿真结果表明:多样性反馈高斯粒子群算法在全局搜索能力和寻优性能上有很大提高,多样性提高近一倍,迭代时间缩短近3/4.     

基于改进Canny算子的遥感图像边缘检测

针对传统的Canny边缘检测算子存在高斯滤波函数方差和阈值需要人工设置的缺点,提出了一种基于改进Canny算子的遥感图像边缘检测算法.首先利用复合形态学滤波代替高斯滤波,可得到更好的平滑效果,同时保留更多的边缘信息;然后利用Otsu阈值方法对阈值进行自适应设定,可以使检测边缘更加连续完整,并减少虚假边缘的存在;最后引入数学形态学算法实现对边缘细化处理.实验结果表明,将改进的Canny算子应用到遥感图像的处理中,具有良好的抗噪性能和检测精度.     

基于局部特性的月球撞击坑边缘处理方法研究

针对月球撞击坑边缘检测的问题,主要研究了基于局部统计特性的各向Sobel算子的撞击坑边缘检测方法。依据撞击坑图像模型的特点,采用属性形态学方法消除噪声对边缘的干扰,并提出针对局部弱边界保留和伪边界消除的多向Sobel算子的权重调整方法,使撞击坑边缘依局部分布特性而自适应加强,较好地保持了撞击坑边缘重要细节和特征。     

软土路基沉降灰色预测模型的几个关键问题研究

应用灰色系统模型来预测公路软土路基沉降避开了土性物理指标、土体本构关系等复杂的理论问题,应用方便易行,但在运用灰色模型预测沉降中,不等时距处理问题、灰色模型的无限增长问题严重影响了沉降预测的精度,而且灰色系统理论用于沉降预测与施工动态控制时它的适用性也是一个值得研究的问题.研究表明应用三次B样条函数处理原始数据的不等时距、用缓冲弱化算子处理模型无限增长问题是可行的;灰色模型对短期实时沉降预测有较好的精度,对中期阶段性沉降预测可以满足公路施工控制标准的要求,但对长期或最终沉降量的预测值偏大,其适用性有较大的局限性.     

沥青混合料CT图像边缘检测算子模板的优选

在沥青混合料微观材料和结构研究中,如何对沥青胶浆和集料进行有效的边缘检测是进行图像分割和二值化的前提,论文分析了沥青混合料试件CT图像边缘检测算子模板选择的原则,可作为进一步沥青混合料微观结构研究的基础。对常用的图像边缘检测算子模板及其特点分别进行了分析,并采用Sobel算子、Prewitt算子、LOG算子和Canny算子对沥青混合料马歇尔试件初始CT扫描图像和经受冻融劈裂后的同一扫描截面CT扫描图像实现边缘检测以进行算子模板的比选。多个不同算子模板的图像边缘检测结果表明,Canny算子运用高斯函数的一阶微分计算梯度,其算法不易受噪声干扰,能检测出真正的弱边缘,因此具有较好的边缘检测性能。Canny算子依据其“非极大值抑制”和形态学连接操作的特征,使提取的边缘十分完整而优于其它算子。     

利用FEPG进行Navier-Stokes方程的有限元程序的生成

通过有限元生成系统(FEPC)产生了粘性不可压流体Navier-Stokes方程的有限元程序.为了克服计算上的困难,利用算子分裂法将N-S方程表述的物理过程分解为扩散和对流两个过程.导出了扩散方程的弱形式,进而建立起它的有限元方程,利用最小二乘法建立起对流方程的有限元方程.利用所产生的程序对二维的粘性不可压流体的绕圆柱流动问题进行了数值模拟.     

基于EEMD-TEO熵的高速列车轴承故障诊断方法

为了解决高速列车轴承早期故障中低频信号的类间分离性较弱、保持架故障难以识别等的问题,提出了基于Teager能量算子（Teager energy operator,TEO）聚合经验模态分解（ensemble empirical mode decomposition,EEMD）熵的自适应诊断方法.该方法将EEMD、样本熵、TEO相结合,利用EEMD的自适应性得到固有模态（intrinic mode function,IMF）信号,用改进的TEO从IMF中提取得到样本熵,使用支持向量机（support vector machine,SVM）判断轴承工作状态与故障类型;讨论了EEMD能量熵、EEMD奇异值熵、EEMD-TEO时频熵生成的故障特征向量以及该向量在SVM中识别结果;对正常轴承、保持架故障、滚动体故障3种状态的轴承样本数据进行了故障诊断.研究结果表明:对3种轴承的故障识别率可以达到98%,较传统的经验模态熵识别率提高了2.6%,该方法可用作高速列车轴承状态诊断.