痕量爆炸物探测仪研制

介绍了离子迁移谱仪的基本原理及在爆炸物监测方面的应用.提供的自制离子迁移谱仪可定量分析TNT、黑索金等样品.采用液体和固体2种方式进样,快速有效,定量准确,适用性广,对TNT和黑索金的检测限达到10 ng.对离子迁移谱仪的离子门、迁移电场设计进行了详细探讨.     

FFT在机车故障检测记录系统中的应用

针对当前机车故障诊断记录系统故障诊断能力提高和通用性扩展的需要,结合FFT算法特点,采用TMS320VC33实现快速傅立叶变换,使系统具备了频谱分析的能力,可以应用到谐波分析和振动分析等相关领域。     

汽车技术检测的规范与发展

在分析我国汽车技术检测存在的问题基础上,提出了规范和发展我国汽车技术检测的方法和途径。     

基于序列互相关特性和SVM的入侵检测研究

通过刻画特权进程的系统调用来进行入侵检测已被广泛研究，采用的大多是人工智能方法，如支持向量机、隐马尔可夫模型和神经网络等。针对这种基于人工智能的入侵检测系统，本文提出应用序列互相关特性选择训练数据的方法。序列的互相关特性是刻画序列之间的相互关系的重要手段，使用具有一定特性的序列来训练人工智能模型，可以提高入侵检测的效率。在本文中，使用了支持向量机（SVM）来评价序列的互相关特性在模型训练中的作用。实验仿真说明，这种方法可以有效的提高入侵检测率。     

在役预应力混凝土结构损伤检测与评定技术综述

从混凝土材料和预应力钢筋的检测与评定以及预应力混凝土结构损伤检测三个方面,总结了近些年来在役预应力混凝土结构损伤检测技术的发展成果,指出了存在的主要问题和缺陷,并揭示了该研究领域今后的发展趋势。     

Effective arterial road incident detection: A Bayesian network based algorithm

Timely and accurate incident detection is an essential part of any successful advanced traffic management system. The complex nature of arterial road traffic makes automated incident detection a real challenge. Stable performance and strong transferability remain major issues concerning the existing incident detection algorithms. A new arterial road incident detection algorithm TSC_ar is presented in this paper. In this algorithm, Bayesian networks are used to quantitatively model the causal dependencies between traffic events (e.g. incident) and traffic parameters. Using real time traffic data as evidence, the Bayesian networks update the incident probability at each detection interval through two-way inference. An incident alarm is issued when the estimated incident probability exceeds the predefined decision threshold. The Bayesian networks allow us to subjectively build existing traffic knowledge into their conditional probability tables, which makes the knowledge base for incident detection robust and dynamic. Meanwhile, we incorporate intersection traffic signals into traffic data processing. A total of 40 different types of arterial road incidents are simulated to test the performance of the algorithm. The high detection rate of 88% is obtained while the false alarm rate of the algorithm is maintained as low as 0.62%. Most importantly, it is found that both the detection rate and false alarm rate are not sensitive to the incident decision thresholds. This is the unique feature of the TSC_ar algorithm, which suggests that the Bayesian network approach is advanced in enabling effective arterial road incident detection.     

HDJ-I型货车运行故障动态检测系统

介绍了HDJ—I型货车运行故障动态检测系统(TFDS)的主要功能、特点、组成及工作原理。     

基于边缘检测的空域自适应差错掩盖算法

针对视频传输中帧内编码帧(Intra帧)出错情况,提出一种基于边缘检测的自适应空域差错掩盖算法。根据丢失宏块周围正确宏块的边缘信息,将丢失宏块分为平滑块和边缘块。对平滑块采用双线性插值进行恢复;对边缘块采用一种多方向插值加权平均方法进行恢复。实验结果表明,提出的空域差错掩盖算法能很好地适应不同的视频传输差错情况,并对不同类型的图像内容具有良好的差错掩盖效果,与传统的差错掩盖算法相比,具有更好的差错恢复能力。     

基于卷积自编码的沥青路面目标与裂缝智能识别

目前基于深度学习的路面裂缝识别经常面临训练数据集小，以及路面图片标注成本高等问题，基于小规模路面图片数据集，利用卷积自编码（CAE）方法进行数据增强，开展包括路面裂缝在内的路面目标智能化识别方法研究。在传统图像几何变换数据增强的基础上，采用CAE重构图片方法对原始数据集进行两步骤扩增；利用卷积神经网络DenseNet，设置了不同数据扩增方法的对比试验；针对沥青路面裂缝图片背景较黑，裂缝特征不清晰，无监督聚类学习难度大等问题，采用了一种基于CAE预训练的深度聚类算法DCEC，对经数据增强的路面图片进行无标注的聚类识别。研究结果表明：经过DenseNet网络100代的训练，在同一测试集的测试下，基于原始数据集训练的网络分类准确度为78.43%，利用传统图像处理方法进行扩增后准确度为83.44%，利用所提出的图片增强方法进行数据扩增后准确度达87.19%；在保持扩增后数据集样本量大小相同的情况下，与几何变换、像素颜色变换等经典数据增强手段相比，CAE重构图片的数据扩增方法有较高的路面图片识别精度；CAE数据扩增方法较受训练数据集样本量的影响，利用传统方法将数据集扩增后进行CAE特征学习，重构后的图片样本更易被机器识别；相较于传统机器学习聚类算法，所提出的的DCEC深度聚类方法将聚类准确率提升了约10%，初步实现了无需人工标注的路面目标的端到端智能识别。     

浅谈8K电力机车在役车轴超声波探伤方法

分析了8K电力机车在役车轴疲劳裂纹产生原因,提出了超声波探伤方法,并介绍了疲劳裂纹波形特点和疲劳裂纹定量影响因素。