基于深度卷积神经网络的视觉里程计研究

视觉里程计利用视频信息来估计相机运动的位姿参数，实现对智能体的定位。传统视觉里程计方法需要特征提取、特征匹配/跟踪、外点剔除、运动估计、优化等流程，解算非常复杂，因此，提出了基于卷积神经网络的方法来实现端对端的单目视觉里程计。借助卷积神经网络对彩色图片自动学习提取图像帧间变化的全局特征，将用于分类的卷积神经网络转化为帧间时序特征网络，通过三层全连接层输出相机的帧间相对位姿参数。在KITTI数据集上的实验结果表明，提出的Deep-CNN-VO模型可以较准确地估计车辆的运动轨迹，证明了方法的可行性。在简化了复杂模型的基础上，与传统的视觉里程计系统相比，该模型的精度也有所提高。     

多边形激励下动车组动态响应研究

首先基于刚柔耦合理论,考虑了轮对、轴箱和构架的柔性,建立了动车组车辆刚柔耦合动力学模型;然后又通过模态叠加法建立了轨道的动力学模型,从而发展成车线-刚柔耦合动力学模型。随后,在车轮上施加20阶理想多边形,研究了300 km/h下轴箱垂向加速度、轮轨垂向力和轮轴弯曲应力的响应,结果表明:轴箱垂向加速度和轮轨垂向力以577 Hz的多边形通过频率波动,而轮轴弯曲应力主频为28.8Hz的车轮转频,在此基础上,叠加了多边形的通过频率,因此多边形的通过频率577 Hz会分岔为548 Hz和605 Hz两个频率。通过对不同速度和不同多边形幅值下车辆响应的研究可以得到以下结论:随着速度和多边形幅值的增大,轮轨力最大值总体上呈现增大趋势。从轮轨力最小值上看:速度越大,多边形幅值越大,则更容易发生轮轨分离。当车轮多边形通过频率与轮轨耦合共振频率耦合,会引起轮轨垂向力的增大。当与轴箱自身模态频率耦合时会导致轴箱加速度的变大。轮轴应力则主要受到轮轨耦合共振模态以及轮轴自身的弯曲模态影响。     

基于BP神经网络的异常轨迹检测方法

为有效利用轨迹内外部属性进行异常检测,提出一种基于BP神经网络的异常轨迹识别方法。对原始轨迹数据进行去噪处理,存储至百度云的LBS云端,基于百度地图的轨迹数据可视化网站实现轨迹显示,并通过归一化数据计算轨迹属性值。同时,将轨迹内外部特征属性作为BP神经网络算法的输入层,轨迹相似度量值作为输出层,调整隐含层系数得到训练模型,从而识别用户异常轨迹。在2个用户数据集上的仿真结果表明,该方法的异常轨迹识别准确率分别达到92.3%和100%。     

基于情感分析的文本检索系统的研究

针对目前文本挖掘的情感分析方法的准确性、实时性、提取等问题,构造一种神经网络混合模式,使用记忆神经网络和卷积神经网络对文本特性的提取,再利用情感分析方法进行挖掘。实验表明对文本挖掘的准确性提高了,这种模式在应用中有很大的实用性。     

激光脉冲编码抗有源干扰效果研究

激光脉冲编码是激光制导武器的抗干扰措施之一。角度欺骗式干扰和高重频干扰是目前半主动激光制导武器的主要有源干扰来源。为研究不同激光脉冲编码方式对激光半主动制导武器抗这两种干扰性能的影响,本文针对敌方激光告警机的识别算法与我方导引头的解码过程,提出自相关函数与归一化互相关函数评价方法,并对目前主要编码方式进行仿真,仿真结果表明:激光脉冲编码的抗角度欺骗式干扰能力受编码序列周期性与脉冲间隔随机性的影响；抗高重频激光干扰能力受编码序列脉冲间隔随机性的影响；LFSR状态码的抗角度欺骗式干扰与抗高重频干扰效果均优于其他编码方式。     

多共振分量融合CNN的行星齿轮箱故障诊断

针对行星齿轮箱中各部件所激起的振动成分混叠、早期故障特征经常被较强的各级齿轮谐波成分以及环境噪声所湮没的问题，提出一种多共振分量融合卷积神经网络（multi-resonance component fusion based convolutional neural network，简称MRCF-CNN）的行星齿轮箱故障诊断方法。首先，对振动信号进行共振稀疏分解，得到包含齿轮谐波成分的高共振分量和可能包含轴承故障冲击成分的低共振分量；其次，构建多共振分量融合卷积神经网络，将得到的高、低共振分量和原始振动信号进行自适应的特征级融合，通过有监督的方式训练模型并进行行星齿轮箱故障诊断。对行星齿轮箱实验数据的分析结果表明，该方法能够有效分类行星齿轮箱中滚动轴承和齿轮的故障，成功对行星齿轮箱故障进行诊断，同时能够进一步增强卷积神经网络对振动信号所蕴含的故障信息的辨识能力。     

涡流脉冲热像检测中金属疲劳裂纹的生热分析

涡流脉冲热像技术是一种将电磁生热和红外热成像相结合的新型无损检测技术。针对金属疲劳裂纹生热研究不深入的问题,本文以含有贯穿的疲劳裂纹金属平板试件为研究对象,搭建了涡流脉冲热像检测实验系统,并建立了涡流脉冲热像有限元模型,分析了涡流脉冲热像检测中裂纹生热的规律。研究结果表明:在红外热像中,同一时刻越靠近裂纹根部的位置,温升的最大值越大;在激励过程中,裂纹区域的温升逐渐升高,当激励结束时,裂纹区域的温升则具有逐渐下降趋势,并且呈现先迅速后缓慢的下降速度。进一步揭示了裂纹尺寸对裂纹区域温升的影响。     

脉冲电流对6016-T4铝合金板材力学性能的影响

为研究在电流辅助成形时脉冲电流的电流密度、占空比和脉冲频率3个因素对6016-T4铝合金板材力学性能的影响规律,设计了3因素5水平的正交实验。实验表明,对6016-T4铝合金力学性能影响的主次因素是:电流密度>占空比>脉冲频率。在此基础上,选用主次2个因素,即电流密度和脉冲频率,使用控制变量法进行进一步的实验研究。实验结果表明,电流密度对6016-T4铝合金力学性能影响较大,改变电流密度的同时带来了明显的焦耳热效应,该效应对材料有明显的软化作用,降低了材料的流动应力,但是,同时也降低了铝合金板的伸长率,这是因为过大的电流密度加剧了试样的主应变演化,进而促进了试样的断裂。而脉冲频率的变化对6016-T4铝合金板材的力学性能影响很小,这也印证了正交实验的结论。     

基于近红外光谱技术的马铃薯叶片含水率高效预测

提出了运用近红外光谱技术检测新鲜马铃薯叶片中含水量的方法，并通过预测结果和运算量的对比得出一种高效率的预测方法。采集了900～2100 nm波段范围内110个新鲜马铃薯叶片的光谱反射率信息，经SG（Savitzky-Golay）平滑、多元散射校正（MSC）和标准正态变量变换（SNV）3种预处理后，分别建立偏最小二乘回归（PLSR）模型和BP神经网络模型，再运用回归系数（regression coefficients, RC）法在全波段光谱中提取特征波长，同样经3种预处理后分别建立预测模型。结果表明：在运用光谱全波段信息构建的模型中，经多元散射校正（MSC）预处理建立的BP神经网络模型预测效果最好，预测集决定系数R²为0.9791，均方根误差RMSE为0.3723；在基于特征波长构建的模型中，经SG平滑预处理建立的神经网络模型预测效果最优，预测集决定系数R²为0.9658，均方根误差RMSE为0.4759；验证了特征波段结合BP神经网络建立的模型与全波段建立的模型预测结果相差不大，因而能够极大地减少运算量，提高预测效率。