基于现场实测数据的地连墙弯矩反分析及安全性评估

为了合理评价地连墙施工过程中结构受力状态,基于深圳地铁12号线和平站工程现场实测数据,根据最小二乘法原理,采用6次多项式对地连墙变形实测数据进行拟合,通过循环迭代法对地连墙弯矩进行反分析与安全性评估.结果表明:弯矩值能够有效反映地连墙受力状态;对于下穿施工段,地连墙最大弯矩多发生在距离基坑底部1/3开挖深度位置;对于非下穿施工段,地连墙最大弯矩多发生在基坑底部.可见利用弯矩来评价地连墙施工过程中的安全状态是切实可行的,相关研究成果可直接应用于基坑开挖工程.     

欢迎订阅《水雷战与舰船防护》

<正>《水雷战与舰船防护》是我国唯一一份国内公开发行的有关水雷、反水雷、舰船防护等专业的技术性期刊。本刊为季刊,主要选登有价值的科研论文、译文等。办刊宗旨:交流水雷战及有关专业科研成果,传播科研信息,促进水中兵器及舰载武器不断发展,为海军现代化建设服务。订费:季刊,每期订价10元(含邮费),全年订价40元。联系地址:湖北省宜昌市550信箱     

典型相关滤波跟踪算法的比较与分析

为综合评价现有的相关滤波类算法,对典型的相关滤波跟踪器进行全面的比较与分析,从而为进一步完善相关滤波器的设计提供指引。从相关滤波跟踪理论的一般框架切入,重点对当前四种具有代表性的相关滤波跟踪器即KCF,DSST,HCF和ECO展开研究,分别从理论分析以及在大规模公开数据集OTB100上的实验表现详细地比较各算法的优劣。比较与分析结果表明,使用卷积特征的算法在跟踪准确性和鲁棒性上相比单纯使用人工特征的算法具有显著优势,然而跟踪速度也会急剧下降,具有尺度估计模块的跟踪器能够得到更优的跟踪成功图表现。最后对深度学习结合相关滤波方法存在的实时性不足、长时跟踪等问题进行分析,并对未来的发展趋势进行了展望。     

基于深度学习的视频跟踪研究进展综述

近年来深度学习迅猛发展，颠覆了语音识别、图像分类、文本理解等领域的算法设计思路。深度学习因其具备强大的特征提取能力，在图像识别领域的成绩尤为突出。然而深度学习与视频监控领域的结合并不多，由于深度模型具有多层网络结构，算法复杂度大，训练和更新模型时比较耗时，很难满足实时性要求。回顾了深度学习的发展史，介绍了最近10年来国内外深度学习主要模型，论述了基于深度学习的目标跟踪算法，指出了各算法的优缺点，最后对当前该领域存在的问题和发展前景进行了总结和展望。     

视频侦查中人像智能分析应用及算法优化

人像智能分析指的是对视频或录像中的人像进行结构化和可视化分析,对目标人物进行性别、年龄、发型等特征的智能识别,这项技术在视频侦查中有极高的应用价值。人像识别早期的算法是通过人工提取特征,通过学习低级视觉特征来针对不同属性进行分类学习,这种基于传统方法的模型表现常常不尽如人意。在计算机视觉领域,通过海量图像数据学习的神经网络比传统方法有更丰富的信息量和特征可以被提取。文章尝试通过深度学习技术训练神经网络模型对行人进行检测和识别,对于衣着不同的行人进行智能识别,具有更好的鲁棒性,提升了视频人像识别的准确率,拓展了人工智能技术在身份识别领域的应用。     

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。     

3-SPS/1-S张拉整体并联机构的研究与应用

为满足盾构管片姿态微调需要,提高拼装精度及效率,提出基于3-SPS/1-S张拉整体并联机构设计管片拼装微调机构。给出总体方案及构型分析,机构仅有3个转角自由度,可实现管片横摇、俯仰及偏转动作。重点研究机构位置反解、正解及工作空间。运用RPY法推导旋转矩阵,得到位置反解表达式;给出位置正解的变步长搜索求解法;基于工作空间约束方程,分析体积求解方法。数值验证结果表明:(1)位置反解易求且具有唯一性;(2)位置正解不唯一,共有29组解值;(3)给定球铰最大转动值为35°,工作空间体积为0.768rad3。该机构可满足管片姿态微调要求,具有一定指导意义。     

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。