基于试验数据的大跨度拱桥有限元模型修正

为了获取菜园坝长江大桥的基准有限元模型,结合Kriging代理模型和一种改进的粒子群优化算法,利用荷载试验数据对其初始有限元模型进行修正。首先,叙述模型修正和Kriging模型基本理论,在基本粒子群算法中引入交叉变异计算,提出一种改进的粒子群算法,并通过测试函数对改进的粒子群算法进行验证;其次,简要介绍菜园坝长江大桥荷载试验、荷载试验结果及初始有限元模型;最后,根据敏感性分析选定6个待修正参数,通过试验设计得到频率和位移关于修正的参数的样本,并建立有限元模型的Kriging代理模型以预测结构响应;以频率和位移的试验值和计算值残差为目标函数,分别利用基本粒子群算法和改进的粒子群算法在修正参数的设计空间内寻找目标函数的最小值,并对比分析模型修正的结果。结果表明：测试函数表明改进的粒子群算法具有较好的稳定性和成功率,并能获得更为精确的优化结果;建立的Kriging代理模型均方根误差较小,可以替代有限元模型预测结构频率和位移;经过模型修正,菜园坝长江大桥前5阶频率计算值与试验值相对误差均控制在5%之内;除个别测点外,位移相对误差均控制在10%以内;相比基本粒子群算法,改进的粒子群算法获得了更小的目标函数值,修正后的频率和位移的相对误差更小。     

基于果蝇算法优化的移动机器人RBPF-SLAM研究

针对基于传统Rao-Blackwellized粒子滤波(Rao-Blackwellised Particle Filter,RBPF)算法的移动机器人在进行同时定位与地图构建(Simultaneous Location and Mapping,SLAM)时易发生粒子退化导致移动机器人位姿估计不准确以及地图一致性较差的问...     

闭塞冷锻半轴齿轮的微观研究

分析了闭塞冷锻半轴齿轮残余应力分布不均的原因,研究了位错密度的分布,并用位错理论说明了材料硬化的微观原因。利用金相法测量晶粒度,发现半轴齿轮经闭塞冷锻后晶粒得到细化,与切削加工方法比较,其晶粒度提高2级。     

基于自适应性粒子滤波器的目标追踪

基于蒙特卡洛模拟的粒子滤波算法被广泛地应用于目标追踪领域。传统的粒子滤波算法在其追踪过程中所使用的粒子数通常是固定不变的,而在实际应用中,这会使算法缺乏高效性。针对这个问题,提出了一种自适应性粒子滤波器,它可以根据实际调整算法运行过程中使用的粒子数目,以使算法在保持对目标进行有效追踪的同时节省计算资源。仿真结果显示了算法的高效性。     

基于UPF的神经网络辅助机动目标跟踪

为提高机动目标跟踪性能,提出了一种神经网络辅助下的滤波方法。基于Unscented卡尔曼滤波方法,Unscented粒子滤波器（UPF）能够产生较准确的建议密度分布,因此相对于其它蒙特卡洛方法,UPF能够获得对非线性目标跟踪问题更好的近似。利用目标的机动特征建立和训练神经网络,将神经网络的输出作为加速度控制参数,用于修正目标的运动模型。仿真结果表明,与扩展卡尔曼滤波相比,神经网络辅助下的UPF具有更好的跟踪性能。     

柴油喷雾与LPG/柴油混合喷雾的对比研究

以ZH1105W柴油机为模型,采用Jaynes等人提出的雾化液滴尺寸和速度联合数目分布函数,对柴油喷雾和LPG/柴油混合喷雾的燃料液滴尺寸和速度数目分布进行了对比研究;采用液滴蒸发和碰撞模型对液滴尺寸理论数目分布与试验结果进行了对比研究。液滴尺寸和速度联合数目分布的研究结果表明,随着液体喷射速度的增大,液滴尺寸数目分布曲线向小颗粒偏移。随着液滴尺寸的增大,较大颗粒的液滴速度数目分布曲线的峰值先明显增大,到达中等尺寸后又明显减小。由于LPG/柴油混合燃料的闪急沸腾喷雾对燃料液滴具有突爆的加速作用,L30速度分布曲线的峰值速度比柴油的明显增大。累积的液滴尺寸分布和速度数目分布研究表明,由于混合燃料的闪急沸腾喷雾,L30尺寸数目分布曲线峰值相对于柴油向小颗粒方向偏移,L30的峰值大于柴油的峰值。说明L30喷雾所产生的小颗粒液滴多于柴油,雾化质量提高,碳烟排放得以大幅度降低。L30速度分布曲线的峰值比柴油略小一些,且略微向大速度方向偏移。说明与柴油相比,L30燃料较大速度液滴的数目略有增加。液滴蒸发和碰撞模型对于石油液体燃料的研究是可行的,对于液化气体燃料与石油液体燃料的混合燃料的研究,模型还有待于进一步改进。     

浅谈我国中小企业发展中战略差异化战略的实施方式

企业在制定战略前,都必须要分析企业自身的状况和其所处的结构。在竞争日趋激烈的今天,大力发展别具一格的产品线或经营项目,以争取在产品和服务等方面有更独到之处,这是现在企业尤其是中小企业发展的重点,也是差异化战略的核心。分析了三种差异化战略在中小企业的实施方式,以便使其能够成功运用此三种方式获得竞争优势。     

Levels of ultrafine particles in the Taipei Rapid Transit System

Ultrafine particle number concentrations are measured at five stations and inside trains on four routes in the Taipei Rapid Transit System during October–December 2007. The results indicate that there are no additional emission sources of ultrafine particle on the platforms. Ultrafine particle levels at a ground level station were, however, adversely affected by traffic outside of the station. Moreover, particles can enter the underground stations via the subway tunnels resulting in high levels during weekdays.     

耙吸挖泥船沙床高度与土粒径在线估计

沙床高度与土壤土质作为调整耙吸挖泥船疏浚策略的重要依据无法通过传感器直接测得。针对这一问题,结合动态沉积模型对沙床和与土质相关的土壤粒径进行分析,对疏浚过程土质的变化方式进行两种模拟,以"新海凤"号为例利用实测数据对模型进行校正。通过模式搜索离线估算疏浚工况的土壤平均粒径,采用粒子滤波算法在验证沉积模型的基础上对沙床高度与土质粒径进行在线估计。仿真结果表明,对粒径建立随机游走模型更能拟合装载曲线,同时沙床高度也受疏浚土质的影响。理论成果为疏浚工程提供参考,并将应用于挖泥船辅助决策系统中。     

Improved waveform‐feature‐based vehicle classification using a single‐point magnetic sensor

Vehicle classification systems have important roles in applications related to real‐time traffic management. They also provide essential data and necessary information for traffic planning, pavement design, and maintenance. Among various classification techniques, the length‐based classification technique is widely used at present. However, the undesirable speed estimates provided by conventional data aggregation make it impossible to collect reliable length data from a single‐point sensor during real‐time operations. In this paper, an innovative approach of vehicle classification will be proposed, which achieved very satisfactory results on a single‐point sensor. This method has two essential parts. The first concerns with the procedure of smart feature extraction and selection according to the proposed filter–filter–wrapper model. The model of filter–filter–wrapper is adopted to make an evaluation on the extracted feature subsets. Meanwhile, the model will determine a nonredundant feature subset, which can make a complete reflection on the differences of various types of vehicles. In the second part, an algorithm for vehicle classification according to the theoretical basis of clustering support vector machines (C‐SVMs) was established with the selected optimal feature subset. The paper also uses particle swarm optimization (PSO), with the purpose of searching for an optimal kernel parameter and the slack penalty parameter in C‐SVMs. A total of 460 samples were tested through cross validation, and the result turned out that the classification accuracy was over 99%. In summary, the test results demonstrated that our vehicle classification method could enhance the efficiency of machine‐learning‐based data mining and the accuracy of vehicle classification. Copyright © 2014 John Wiley & Sons, Ltd.