基于小波包分析和深度学习的舰船辐射噪声识别

为提高舰船辐射噪声识别的准确率,针对辐射噪声这种非平稳、复杂的信号,提出一种基于小波包分解与多特征融合的特征提取方法.同时,引入深度学习模型,将提取到的特征作为识别分类的依据,采用卷积神经网络和长短时记忆神经网络作为分类器.对单一特征的分类结果与融合的多特征分类结果进行比较,对直接提取的特征分类结果与基于小波包分解提取的特征分类结果进行比较,对卷积神经网络、长短时记忆神经网络和机器学习的识别分类结果进行比较,结果表明,采用基于小波包分解与特征融合的特征提取方法和基于深度学习的分类识别方法能显著提高舰船辐射噪声识别的准确率.     

基于ITD和邻域差分能量算子解调的内燃机瞬时转速计算

针对内燃机瞬时转速计算精度低、对采样频率鲁棒性差的问题,提出了基于固有时间尺度分解（Intrinsic Time‐scale Decomposition ,ITD）和邻域差分能量算子解调（Energy Operator Demodulation ,EOD）的瞬时转速计算方法。利用自适应波形匹配算法对原采样信号进行端点延拓,然后基于ITD算法从信号中提取包含瞬时转频的单分量信号,再对单分量信号进行邻域对称差分,并将差分结果输入传递函数计算能量算子,进而求出内燃机的瞬时转频和瞬时转速。仿真和实测信号研究证明了本方法计算速度快、精度高且频率鲁棒性好。     

福建围头湾悬沙输移机制分析

根据福建围头湾大潮期间潮汐、潮流、悬沙实测资料,分析水流输运,同时利用机制分解法,将悬沙净输移通量分解为平流项、潮泵效应项和垂向净环流输移项,对悬沙输移的动力机制进行分析讨论。结果表明:金门岛东侧余流,部分流向湾口,部分流向安海湾。金门岛与大嶝岛之间的余流,沿涨潮流向湾内,悬沙净输移方向和余流方向保持一致;平流输沙对悬沙净输移起主导作用;水域潮泵输沙贡献较大;垂向净环流输沙影响较小。     

基于EMD和4阶累积量的船舶轴频电场线谱提取

为实现海洋环境电场背景中微弱的船舶轴频电场信号的有效检测,提出一种结合经验模态分解(Empirical Mode Decomposition,EMD)和4阶累积量对角切片功率谱的方法。首先,利用EMD方法的自适应滤波特性将信号进行分解,得到本征模态函数(Intrinsic Mode Functions,IMF),按照K-L散度准则进行有效IMF的筛选;然后利用高阶累积量抑制高斯色噪声的性质,计算各有效IMF分量4阶累积量对角切片的功率谱,并进行多子带中的线谱提取。海上实测数据的处理结果表明,该方法能够实现-15d B下的线谱提取,具有一定的实用价值。     

奇异值分解算法在数字水印技术中的应用

奇异值分解算法应用于数字水印技术中,把水印信息按位置换,对宿主图像分块并做奇异值分解,在奇异值域做数学变换以重复嵌入按位置换的二值水印信息．实验结果表明,该方法既提高了水印的信息量,同时又使得水印图像具有很强的稳健性,能抵抗旋转和裁剪等多种攻击,水印的保密性与鲁棒性均有显著的提高．     

汽油机配气正时故障实例分析两例

简要分析了两台475汽油机因配气正时超前而造成的"功率不足"故障现象及原因.指出机组大修和分解结合时,仅以正时齿轮上原有的正时记号作为校对配气正时的唯一依据,是造成汽油机中速"功率不足"故障的主要原因之一.     

一类矩阵方程的对称解与反对称解

讨论了矩阵方程AX±XAT=D(A为正规矩阵)及AX±XAT=0的对称解和反对称解,并给出了有解的条件及解的通式.     

沥青四组分和沥青的热失重分析

采用热失重分析仪(TGA)对沥青四组分及几种基质沥青进行非等温热失重分析,研究表明,饱和分、芳香分、胶质、沥青质开始迅速分解时的温度分别为300℃,412℃,438℃,472℃;含饱和分较多的沥青分解温度较低。在沥青进行改性及储存的施工温度为160℃~180℃时对饱和分及芳香分进行等温热失重分析,研究表明,在160℃~180℃饱和分和芳香分会产生较大的损耗,饱和分和芳香分在180℃恒温3 h的质量损失为160℃的3倍左右;不同产地的沥青由于饱和分和芳香分含量的差异其损耗程度不相同;热储存中,饱和分含量低的沥青在较短时间内质量损失趋于稳定,饱和分含量高的沥青随着储存时间延长质量损失仍较严重。     

项目管理在铁路车站远程视频监控系统的运用

介绍在"铁路车站远程视频监控系统"项目建设过程中,承建单位利用项目管理知识体系对项目进行有效管理的过程.就项目知识管理体系的组成,重点介绍了项目生命周期模型选择,WBS工作分解,项目网络图绘制、关键路径分析和采购管理等知识在项目管理中的应用.     

基于EEMD和EIIKF的船舶轴系状态趋势预测研究

监测、分析、预测轴系的状态数据对保障船舶动力系统正常工作具有重要意义。基于船舶轴系振动状态监测,提出集合经验模态分解(EEMD)和增强型间歇性未知输入卡尔曼滤波器(EIIKF)相结合的故障趋势预测方法。在进行模态分解前,通过加入白噪声信号优化信号的可分解性,避免出现模态混叠。进而对滤波重构后的信号进行序贯分析得到振动信号的特征曲线,采用EIIKF方法对特征曲线分析预测,并通过引入间歇性参数,对部分未知输入项带来的不确定性进行补偿。在此基础上通过故障判别模型进行故障诊断,实现基于轴系振动信号的故障预测。利用实测故障样本数据对所提出的方法进行验证,其预测结果的及时性和准确性均优于一般模态分解和卡尔曼滤波器预测的方法,验证了改进后方法的有效性和优越性。