悬挑大跨混凝土框架-剪力墙结构弹塑性分析及试验研究

某拟建文化艺术中心是一个具有大空间、大悬挑等特点的混凝土框架-剪力墙结构,结构一端为多层大悬挑结构,最大悬挑长度为22m,并且在顶层中庭有30m的大跨度区域,属平面和立面均不规则的结构。本文采用NOSACAD和ABAQUS有限元程序建立整体结构分析模型,进行7度罕遇烈度下的弹塑性时程分析,研究了该结构在大震作用下的变形情况、塑性铰的分布以及受力机理等。计算结果表明：结构的悬挑端在竖向地震作用下的动力响应显著,剪力墙受拉损伤在结构底部和悬挑楼层处较为明显;但在大震下层间位移角满足规范要求;并对结构裙房截断后的模型进行了1/30的大缩尺模拟地震振动台试验,验证了截断模型方法在本试验中的合理性,最后根据构件的受力或损坏情况给出了设计改进建议。     

TSCNN:面向可穿戴心电信号监测与分析的卷积神经网络

目的 可穿戴设备能够长时间实时监测人体心脏状况,其在心电信号监测领域应用广泛。但目前仍没有公开的来自可穿戴设备的心电数据集,大部分心电信号分析算法都是针对医院设备所采集的心电数据。因此,本文使用IREALCARE 2.0柔性远程心电贴作为心电信号监测和采集设备制作了可穿戴设备的心电数据集。针对可穿戴心电数据干扰多、数据量大等特点,本文提出了一种针对可穿戴设备获得的心电信号进行自动分类的深层卷积神经网络,称之为时空卷积神经网络（time-spatial convolutional neural networks,TSCNN）。方法 将原始的长时间心电信号分割为单个的心搏并与滤波后不同频段的心搏数据组合成十通道的数据输入到TSCNN中。TSCNN对每个心搏使用时间卷积和空间滤波来提取丰富的特征。采用小卷积核级联卷积的方式提高分类性能,并降低网络的参数量和计算量。结果 在本文制作的心电数据集上进行了测试,并与其他4种心电分类算法：CNN（convolutional neural networks）、RNN（recurrent neural networks）、1-DCNN（1-dimensional convolution neural networks）和DCN（dense convolutional networks）进行了比较。实验结果显示,本文方法的分类准确率达到91.16%,优于其他4种方法。结论 本文方法面向可穿戴心电数据,获得了较好的分类性能,可以有效监控穿戴者是否出现了心电异常情况。     

约束混凝土损伤塑性模型的研究

混凝土损伤塑性模型经常用于混凝土结构的动力损伤分析中,目前国内外针对此模型的研究还仅限在未约束混凝土中,探讨了基于我国现行设计规范中所提供的混凝土单轴本构模型、未约束混凝土塑性损伤模型理论与约束混凝土的单向受压本构模型,提出了适用于约束混凝土的损伤塑性模型,并通过对约束混凝土柱实例进行分析,为进一步将该损伤模型应用于约束混凝土结构的非线性损伤分析提供了参考依据。     

基于Homeplug BPL技术的EoC系统设计

设计了一种基于Homeplug BPL技术利用同轴电缆实现HFC网双向接入的EoC系统。介绍了整个EoC系统的设计思路,给出了软硬件各模块的结构和设计。该系统以SPC200e为核心,利用时分多址技术,支持多用户接入,能够为有线电视的增值业务提供高带宽和稳定的双向接入通道。     

基于ARM和光电编码器单键飞梭的设计

本文利用LPC2214微处理器的输入捕获功能对光电编码器输出的相位信号进行相位鉴别,实现了单键飞梭的功能.文中详细的介绍了LPC2214微处理器与光电编码器的接口电路设计和具体的软件实现.并提出了一种全新的光电编码器的鉴相方法.     

路网时窗排序的回归模型树轨迹索引

最近,通过学习型索引取代传统索引以减少索引大小和提高查询效率受到广泛关注.轨迹点在路网和时间维度的连续性难以刻画,数据分布倾斜普遍存在,现存的学习型索引不能有效地支持其查询.提出一种基于路网时窗排序的回归模型树,以支持点和范围查询,含数据排序和模型训练两个阶段：首先,结合希尔伯特曲线和模拟退火寻找保持道路临近性的路段排序,进而采用两层划分获取轨迹点的一维排序,保证时空近邻点排序后彼此靠近;其次,引入回归模型树映射轨迹点和存储位置,提出批量加载和周期更新两种训练模式.真实和模拟数据集上的实验表明,在保证和传统索引可比的查询性能前提下,大幅度降低索引大小,有效地支持以读为主的历史轨迹数据查询.     

基于标签共现和特征局部相关的心电异常检测方法

自动的心电异常识别是一个多标签分类问题，多通过对每个标签训练一个二分类器来实现异常识别。由于异常数目多，特征和异常间以及不同异常间的相关性复杂，自动检测的效果并不理想。为了充分利用异常和特征间的依存关系，提出了一种基于异常标签共现和特征局部相关(Label Co-occurrence and Feature’s local Pertinence, LCFP)的心电异常识别方法。首先，根据标签共现性和特征局部相关性，为标签构建包含宏特征和微特征的联合特征空间。宏特征采用狄利克雷过程混合模型聚类构建，以区分不同的共现标签集；微特征是原始特征空间的一个子集，用于区分共现标签集中的各个标签。进而，在联合特征空间为每个异常训练一个一对多(One-Versus-All)的概率分类器。其次，为充分利用异常的关联，提出在概率分类器排序基础上区分相关和非相关标签，采用Beta分布自适应地学习锚阈值和相关度阈值，以确定实例的相关标签集。LCFP是一种检测多种心电异常的通用方法，提高了心电异常识别的精度。在两个真实数据集上，F1指标分别提高了4%和22.4%,验证了所提方法的有效性。