含水率变化对路基回弹模量的影响

使用HM-1型回弹模量仪对路基非饱和含粘砂土进行了6个不同含水率、5个不同干密度的回弹模量试验。试验表明：含水率和干密度对非饱和含粘砂土的回弹模量影响显著：在同一干密度和含水率下,砂土的回弹模量为一常数;在同一干密度下,随含水率的增大,回弹模量明显减小;在同一含水率下,随干密度的提高,回弹模量明显增大。     

基于人工神经网络的齿轮箱载荷识别研究

提出了一种基于实测结构响应识别作用在齿轮箱上激励的方法 ,该方法利用人工神经网络建立响应信号与激励之间的映射模型。通过单级齿轮箱上所做的试验数据表明 ,这种利用人工神经网络识别齿轮箱载荷的方法是可行的 ,并且 ,经过训练的网络模型在齿轮箱载荷识别的过程中显示了极快的收敛速度和很高的识别精度。     

基于有限元分析的金属套／陶瓷柱外伸式过盈连接应力分布规律

以45^#金属套和氮化硅陶瓷柱为研究对象，采用有限元法分析了不同过盈量下金属套／陶瓷柱外伸式过盈连接的应力分布规律。结果表明：陶瓷柱在接触边缘均存在明显的边缘效应，轴向应力梯度较大；金属套在接触边缘内侧存在显著的应力集中，其值远大于对应位置陶瓷柱的压应力，易于导致陶瓷材料破坏。采用热胀法进行了试验验证，过盈连接试样均在12h内发生自然断裂，较好地验证了有限元分析结果。     

基于整体变分和数学形态学的空间非合作目标边缘检测

非合作目标不提供已知的目标标识器和敏感器件,无疑增加了检测识别的难度.CCD相机能够提供大量包含有非合作目标的尺寸、形状、相对位置和相对姿态等信息的高分辨率图像,用常规方法进行非合作目标图像分割时,由于空间环境的影响,使得目标的轮廓线非常零碎,常掩埋在杂乱的背景分割线中.为了克服这种问题,提出了一种保持边界的整体变分方法和数学形态学相结合的方法.先用整体变分方法对图像进行平滑的同时可以最大限度地保留图像中的轮廓、边缘等特征信息以增强目标的边缘,然后采用数学形态学的方法对其进行膨胀、腐蚀以滤除众多的背景噪声.经大量的实验验证,这种方法可以有效地提取出非合作目标的边缘信息,并可滤除大量噪声,为进一步开展非合作目标识别工作奠定基础.     

引弧微爆加工陶瓷新方法及其电源系统研制

高频引弧在瞬间产生微爆炸和轰击波时具有高能量密度,结合工程陶瓷加工的特点,提出了引弧微爆加工工程陶瓷的新方法。试验证明了该方法能够实现低成本加工陶瓷孔、外圆、平面以及各种异型面,是一项全新的工程陶瓷加工技术。研制的专用脉冲电源采用了全桥式绝缘门栅极晶体管（Insulated Gate Bipolar Transistor,IGBT）逆变主电路、独特的高频引弧及控制电路,引弧微爆加工电源系统具有工作可靠、可控性好等优点。     

合成孔径声纳中RD和ω-k成像算法的比较

从聚焦能力和处理相关的空变特性的能力两方面 ,对合成孔径声纳中几种成像算法进行比较 .给出了RD(RangeDoppler)和ω -k算法的对水池实验数据成像的结果 .     

一种载波同步锁相接收机的设计

研究实现了一种P波段载波同步锁相接收机,该接收机可以完成对间断照射雷达信号的快速截获,得到与脉冲雷达信号相参的高稳定低相噪的本振信号,为实现雷达相参系统提供了有效的方法.简要介绍了载波提取电路的工作原理,并分析给出了锁相接收机环路参数的计算公式.最后,以P波段某一频点为例,通过电路仿真软件ADS对该系统的锁定时间进行了仿真,仿真结果与实测结果相差不大,有效验证了系统的正确性.     

有向无环图决策支持向量机和经验模式分解在轴承故障诊断中的应用

当旋转机械发生故障时,其振动信号常常表现出较为复杂的调制形式,经验模式分解能根据信号的真实物理意义完成自适应分解。支持向量机由于其出色的学习性能和良好的推广能力,使其在包括故障诊断在内的众多领域得到较为广泛的应用。利用经验模式分解结果提取频带能量特征向量,采用有向无环图决策支持向量机实现对轴承状态的判别,并基于留一法优化支持向量机的模型参数。最终的应用结果表明,基于EMD和有向无环图决策支持向量机方法可以有效实现对轴承的状态判别。     

紫外光语音通信系统参数补偿技术及Matlab仿真

利用线谱对参数建立了针对紫外光通信的语音参数补偿模型,采用基于LSF参数奇偶采样插值方法和丢失能量线性补偿法,对样本的丢包补偿前后相关系数和音质进行了对比.仿真结果表明,前后帧的中值补偿替代丢失帧的参数效果最好;该方法简单有效,对语音质量有较大改善.     

面向癫痫脑电的简化深度学习模型

针对脑电信号随机性强、动态变化迅速等特点,提出了一种简化深度学习模型研究癫痫脑电识别问题。提出的模型以一维卷积神经网络为基础,在结构方面简化了卷积层、池化层等以提高模型效率,在整体框架方面应用了Keras框架,在训练优化算法方面采用RMSProp算法作为模型优化算法,通过预定义的目标函数来进行损失估计,模型设计上加入了批标准化层和全局均值池化层。基于所提模型,从三个方面研究了癫痫脑电识别问题,即:利用经验模态分解,分别选取前三阶、前五阶、前七阶、前八阶的本征模态函数分量,在简化模型上进行对比分析；利用提出模型所具备的深度学习特点,直接识别原始脑电信号而无须特征提取环节；增加了三种不同方法分别提取7类特征,对相同的脑电数据进行对比分析。性能分析结果表明:对于五类不同的脑电信号,前三阶的本征模态函数分量的识别率达到92.1%,比其他几种处理方式识别率高；前八阶的本征模态分量识别率不及原始信号,表明人工数据处理时会给数据带来噪声; 所提出的简化深度学习模型能高效处理癫痫脑电识别问题,具备较高效率和较好性能。