排序方式: 共有36条查询结果,搜索用时 15 毫秒
1.
本文提出了结构健康监测中一种新颖的方法用于时变系统的损伤识别,选取FS-TARMA(函数基时变自回归移动平均)时间序列模型应用于一种随机振动信号中,这种振动信号在时变系统中用来估计TAR/TMA参数和创新方差。基于一种特征值分解技术,被估计的TAR/TMA参数和创新方差能够为损伤估计提供更多信息和数据,从而形成了一种新的理论LCs(潜在成分)。LCs被组合和分解成数值,接着输入概率神经网络中进行损伤识别。将这种新方法用于三自由度时变系统中进行评估,根据质量和弹簧刚度的降低来模拟不同级别的损伤。这种方法能够找出系统参数的时变性质和质量及刚度变化引起的损伤级别。结果表明:使用这种方法,与其他的非降维和普通的特征提取方法相比,识别的成功率有相当大的提高。 相似文献
2.
在复杂环境条件下的宽带雷达目标散射特性测量中,场地周围环境产生的零多普勒杂波(ZDC)会严重影响目标测量数据的准确性。为了有效地抑制背景杂波、提高目标散射信号的测量精度,提出了一种基于最大概率提取技术。该技术首先通过方位滑窗平均得到每个频点的初始固定背景杂波估计,然后对每个频点的杂波初始估计进行统计直方图处理得到最大概率幅度统计量,并依据该统计量完成门限处理得到最终的杂波估计值,从而消除方位滑窗平均处理中的剩余目标信号分量、实现精确的背景提取与抵消。对典型目标的外场测量数据处理结果验证了本文方法的有效性。 相似文献
4.
利用WIND和ARTEMIS卫星观测数据,分析远磁尾磁层顶对行星际和太阳风变化的响应,尤其是偏离日地连线的太阳风速度改变对远磁尾磁层顶的影响.研究发现在2011年9月13日的事件中,P2卫星观测到高速且高密度的磁鞘流.利用最小变量法进行分析发现,磁层顶沿着偏离日地连线的太阳风速度方向发生偏转.根据相似三角形定理,推断出本次事件中磁层顶在y方向和z方向上的偏转幅度分别达到10Re和6Re.P1和P2卫星的相对位置也证实了这一观点.因此,偏离日地连线的太阳风速度对远磁尾磁层顶的位形影响很大.研究结果可为建立包含太阳风速度vy和vz效应的磁层顶模型提供观测证据. 相似文献
5.
基于电离层一维仿真加热模型,详细介绍了模型中电子的动量方程、连续性方程、能量方程和各类参量表达式,利用对角矩阵追赶法数值求解电离层F层加热过程,分析了不同时次电子数密度和电子温度的变化,讨论了不同频率和不同功率电波加热的情形.结果表明:当高频电波加热高电离层时,电子温度迅速增加,并很快趋近于饱和状态;电子密度的变化较为迟缓,但在加热过程中其变化幅度却越来越大;电子密度变化量在沿磁场方向上形成空洞和上下稠团两峰一谷构型;频率越大、功率越高的电波加热时,电子密度的变化也越大,但存在一适值频率的电波对电子温度的影响最小. 相似文献
6.
提出了一种新的时变系统健康监控的损伤分类方法。将函数级数时变自回归平滑时序模型应用于时变系统的振动信号,以估计TAR/TMA参数和革新方差。这些参数是时间的函数,将它们在以特定的基函数构成的某种函数子空间上展开得到相应的投影系数组。所估计得到的TAR/TMA参数和革新方差可进一步用来计算潜在成分(LCs),将LCs用于健康评估比原来的参数更具信息。并将LCs联合并归化为数值得到特征集,输入概率神经网络(PNN)进行损伤分类。为了评价该方法,对一个时变系统进行了仿真,以各种不同的质量和刚度减少来模拟不同的损伤类别。算例表明:该方法能够在时变系统的背景下对损伤进行归类。 相似文献
7.
随着计算机算力的发展和数值模拟技术的日趋成熟,以跨宏细观参数传递为主的复合材料多尺度表征计算应运而生,得到了世界各国学者和研究人员的关注。本文基于纤维缠绕复合材料壳体结构损伤演化研究,详述了在单向纤维增强复合材料宏观工程弹性常数预测、纤维随机分布代表性体积元高效建模、纤维增强复合材料损伤演化多尺度表征与强度预测、机器学习在纤维增强复合材料领域应用方面的进展。最后,对未来发展趋势进行了预测。 相似文献
8.
红外目标识别系统成为航空航天、无人驾驶等军事和民用领域中一项至关重要的技术。红外目标识别算法是红外目标检测识别系统中的核心之一。传统红外目标识别技术往往依赖人为的特征选择,无法对复杂困难的红外目标实现高效、准确的识别。本文提出了训练中反量化与通道级量化相结合的量化策略,有效减小量化误差对网络模型性能的影响。实验结果表明:本文提出的低比特量化算法在红外数据集上有着优异的表现。在硬件部署方面,本文提出了更加高效的卷积计算单元,提高了硬件资源的利用率,同时也达到了更高的峰值性能。最终,在PYNQ-Z2嵌入式现场可编程门阵列(FPGA)上进行验证,系统在150 MHz的时钟频率下达到了90.6 GOP/s的峰值吞吐率,其功耗为2.5 W。 相似文献
9.
10.
复杂背景下的红外弱小多目标检测是红外目标检测的难点,现有算法的稳健性难以满足实际弹载应用需求。针对弹载环境下的红外场景图像开展了基于典型深度学习网络模型的目标检测应用研究,提出一种基于YOLO(you only look once)网络的智能目标检测方法,通过高维特征学习表征和推理实现红外弱小多目标检测。采用传统的模板匹配算法和YOLO深度学习算法进行识别性能对比分析,验证了YOLO网络在红外弱小多目标检测方面的良好性能。实验结果表明:YOLO算法的检测概率可达92.2%,平均检测精度为0.844,与传统的模板匹配方法相比,YOLO具有明显的优势。 相似文献