一种基于响应信息的整体叶盘结构失谐识别方法

以谐调叶盘有限元模型解析模态和真实失谐结构的稳态响应作为基础信息,提出一种整体叶盘结构失谐识别方法。该方法基于公称模态子集（SNM）降阶技术,降低了识别过程的计算花费以及对基础信息量的要求;采用子矩阵型技术使得失谐参数定义更加自由,并使得该方法具有模型修正的功能;直接利用实测的稳态响应数据作为输入参数,并且不需要施加在结构上的外力信息,提高了基础数据可靠性并有效降低了实际测量的难度。最后以一个整体叶盘结构的仿真分析证明了该方法的有效性。     

概率神经网络在识别带有噪声字母中的应用

字符识别是模式识别中的一个应用,通过训练网络可以教会计算机如何识别字符,这在票据处理方面可以大大地提高效率。该文中所建立的神经网络为具有局部响应的高斯函数的三层概率神经网络,它以牢固的插值理论为基础,具有学习速度快,不易陷入局部极小等优点。本文介绍了概率神经网络的学习算法和一个三层概率神经网络对带有噪声的26个英文大写字母的识别。其中利用MATLAB编写仿真程序对概率神经网络进行训练,仿真结果表明,训练的概率神经网络可以对给定的带有噪声的字母作出正确的识别。     

航空发动机风扇叶片结构损伤识别研究

航空发动机风扇叶片常常因为疲劳裂纹而引起整个结构的损坏,导致重大的安全事故。基于此,提出基于BP神经网络研究航空发动机风扇叶片结构损伤识别的方法,采用有限元法计算出的结构固有频率平方的变化量为标识量进行网络仿真,通过对仿真数据的分析,比较准确地识别出结构损伤的位置和程度,为及时地发现损伤并且进行针对性的维修提供依据。     

人工神经网络在目标识别和分类中的应用

首先分析了人工神经网络在目标识别和分类中的应用及其局限性,然后分析了人工神经网络与模糊理论、证据理论、贝叶斯决策理论相结合在目标识别和分类中一般方法和优点。     

雷达专家系统目标识别和红外图像目标识别的D-S融合

本文从雷达专家系统目标识别和红外图像目标识别算法分别得到带识别目标所属类别的基本概率分配函数。用D-S证据理论将得到的两个基本概率分配函数组合,最终实现了机载雷达和红外成像传感器的数据融合。仿真表明:融合后的识别效果要比单个雷达或单个红外传感器的识别效果要好得多。     

航空发动机非包容转子失效危险识别

为分析多重非包容转子碎片对飞机造成的危害,提出一种基于飞机整机功能危险分析(FHA)结果、应用故障树分析(FTA)的非包容转子碎片失效危险识别方法。该方法能够识别多个系统同时失效导致的组合危险,进而为非包容转子失效飞机设计改进提供更详实、可信的依据。最后通过实例分析表明了方法的有效性。     

空间距离变换的彩色图像目标识别方法

研究了彩色图像的分割算法,提出了运用彩色图像的颜色特征相似性进行图像的分割;然后将分割的目标进行检测,运用无监督网络,即竞争网络学习训练聚类,将图像中不同的目标提取出来。在识别方面,研究了一种运用空间距离变换方法来识别的算法,计算出区域半径测试样本点在区域内还是区域外,以达到识别的目的。实验结果表明,本文提出的分割算法和识别算法可以很好地运用到实际中,识别率可达90%以上。     

跨声速风洞颤振试验模型激振与数据处理方法研究

简述了几种主要激励方法在颤振实验中的优缺点,分别用瞬态激励、有限带宽白噪声激励和单频激励进行地面模态实验,测量机翼模型的振动响应,并用STD、ARMA和复指数模态参数识别等时域方法识别固有频率和模态阻尼,通过与软件计算结果对比分析得知,实测的固有频率与计算结果吻合很好.     

大学生创新创业机会识别和项目生成模型研究

创新创业教育是目前高等院校人才质量培养的重要内容,也是当代大学生完善职业素养和实现高质量就业的重要途径。从大学生创新创业机会识别和创业项目产生的角度进行探索,分析大学生创新创业机会识别的背景和项目生成的条件,进一步提出了大学生创新创业机会识别和项目生成的结构模型,对于大学生从事创新创业理论学习和创业实践,具有一定的现实指导意义。     

基于步行周期聚类的视频行人重识别关键帧提取算法

视频行人重识别旨在不同摄像头拍摄的视频中检索特定行人。但是,它面临着数据量庞大和视频数据存在时间冗余的问题,即视频数据耗费大量的存储空间且不同帧之间存在极强的相关性。因此,使用所有的帧进行识别会带来查询效率的下降,而且视频中大量的干扰和噪声也会给准确率带来不利影响。本文提出了基于步行周期聚类的视频行人重识别关键帧提取算法,首先利用行人步行时双脚距离变化的周期性规律提取候选步行周期,然后利用聚类的方法从候选步行周期中选出关键步行周期作为关键帧。最后,将该算法应用在视频行人重识别中,仅使用关键帧的信息进行识别以减少时间冗余的影响,从而提高准确率,并且在查询前对视频进行处理,减少视频数据量以提高查询效率。在视频行人重识别数据集MARS和DukeMTMC-VideoReID上的实验表明,本文算法能够减少59%~82%的视频数据量,并且累积匹配曲线Rank-1提高了1.1%~1.4%,平均精度均值提高了0.2%~5%。