动态限星算法对RTK定位的耗时改进

差分卫导实时动态定位(RTK)依靠 Kalman 滤波功能的实现，当滤波器阶数过高时，会带来计算量的激增，这就会影响定位的耗时。当运算平台能力有限却需要较低的计算时间耗时，动态限星算法能够有效地将 RTK 的计算耗时降低至合适的耗时需求。运动平台实测结果表明，动态限星算法优化后的 RTK 定位耗时较优化前减少了 50%。     

爆炸冲击波载荷下预制孔铝板的动态响应

为研究爆炸冲击波对破片穿孔后板结构的毁伤效应,使用激波管为冲击波加载设备,对不同孔形的预制孔铝板进行冲击波加载.利用三维数字图像相关(3 D-DIC)技术,分析固支预制孔方形铝板在冲击波加载条件下的动态响应,得到预制孔铝板的动态响应和变形失效过程.结合3 D-DIC结果分析孔形对靶板刚度、破坏形式、承载能力的影响.结果表明:圆形孔靶板刚度最大,圆形孔靶板的极限承载能力最大,菱形孔靶板极限承载能力最差;孔形对撕裂破坏的影响主要体现在孔的角点在靶板分布上.该实验结果对固支板结构的抗爆设计具有一定参考价值.     

激光在线测厚振动分析与精度优化

激光测厚具有安全可靠、测量精度高、测量范围大等优点,广泛应用于纸张、电池极片等薄膜类材料厚度的在线测量。带材宽幅方向扫描测厚时由于扫描架往复运动会产生机械振动,影响在线测厚精度。针对该问题,以锂离子电池极片厚度测量为例,使用双激光差动式测厚平台对电池极片和铜箔分别进行厚度测量,然后对测厚数据进行频谱分析,探究其振动规律的相似性,并基于频谱分析结果采用滑动带阻滤波方式对测厚数据进行处理,滤波后极片和铜箔的厚度极差分别降低了33.4%和73.8%,有效过滤了机械振动导致的测量误差,可满足极片和铜箔厚度测量的精度要求。     

一种磁控管用扼流线圈仿真设计

采用电路仿真软件仿真滤波组件S参数曲线,观察曲线随器件参数的变化;介绍利用三维全波电磁仿真软件HFSS简化设计流程的方法,并与测试结果对比。结果表明:利用3D仿真软件在满足器件设计精度的同时可以简化线圈的设计流程。     

基于可穿戴传感器数据的人体行为识别数据特征提取方法

随着可穿戴设备的发展与普及,基于可穿戴传感数据进行人体行为检测展现了巨大的研究价值.目前大多人类行为识别工作都是基于视频图像展开的,然而,使用计算机视觉技术进行人类行为识别存在2个挑战:一是很难使参与数据采集的人员在自然状态下采集真实状态下的运动数据,在开展数据采集之前往往需要对参与数据采集的人员进行培训并严格规范其采集动作,最终得到的数据将是背离真实生活的数据,其研究价值将大打折扣;二是数据采集过程中还涉及采集人员的隐私保护问题.为此,提出一种基于深度学习的数据特征提取方法.首先在灵活设置卷积核的基础上引入神经网络的分支结构多尺度提取原始数据的深度特征;然后将各分支得到的数据特征进行融合并作为下一个卷积层的输入.实验结果表明,与目前主流方法相比,该方法在MHEALTH,WHARF和USCHAD这3个标准数据集上的准确率和召回率都取得了更好的效果.此外,该方法还在2个较新数据集Stanford-ECM Dataset和DATAEGO上做了验证,结果表明该方法具有较好的泛化能力.     

FPGA互连测试中的反馈桥接故障覆盖问题

现场可编程门阵列(FPGA)内部资源众多,其中互连资源出现故障的概率远远高于片内其他资源,而在以往许多互连测试研究中,所生成的测试配置存在无法覆盖反馈桥接故障的难题,所以较难有测试配置实现故障列表的100%覆盖。因此通过约束桥接故障只发生在单个查找表(LUT)内的信号线上,并结合单项函数,对反馈桥接故障模型进行优化改进,从根本上解决难题；然后对优化后的反馈桥接故障设置相应的约束条件,再使用布尔可满足性理论(SAT)生成满足约束条件的测试配置。采用优化后的故障模型对ISCAS"89基准电路进行了测试配置生成实验,结果表明生成的测试向量解决了反馈桥接故障的覆盖难题,并且在实现故障列表的100%覆盖下,优化后的故障模型所需要的测试配置数最少。     

CDBN‑IKELM的轴承变工况故障诊断方法

针对现有方法在轴承变工况方面存在的诊断精度低、人工提取特征不充分等问题，提出了基于卷积深度置信网络（convolutional deep belief network，简称CDBN）与改进核极限学习机 （improved Kernel?based extreme learning machine，简称IKELM）的滚动轴承故障智能识别方法。首先，由卷积深度置信网络对原始信号内的故障特征进行深层自适应提取；其次，利用等距特征映射对提取的多维特征进行降维，去除冗余特征信息；然后，采用改进的核极限学习机对特征进行分类，使用粒子群（particle swarm optimization， 简称PSO）对模型重要参数进行优化，实现滚动轴承变工况下的故障识别；最后，将所提方法应用于不同工况下多种轴承故障的诊断。实验结果表明，该方法能够智能有效地识别变工况的轴承故障，诊断结果优于已有的智能故障诊断方法。     

基于VMD和BSA-KELM的高陡边坡位移预测模型研究

边坡位移的时间序列曲线存在复杂的非线性特性,传统的预测模型精度不足以满足预测要求。为此提出了基于变分模态分解的鸟群优化-核极限学习机的预测模型,并用于河北省某水泥厂的边坡位移预测。该方法首先采用VMD把边坡位移序列分解为一系列的有限带宽的子序列,再对各子序列分别采用相空间重构并用核极限学习机预测,采用鸟群算法优化相空间重构的嵌入维度和KELM中惩罚系数和核参数三个数值,以取得最优预测模型。最后将各个子序列预测值叠加,得到边坡位移的最终预测值。结果表明：和KELM、BSA-KELM、EEMD-BSA-KELM模型相比,基于VMD的BSA-KELM预测精度更高,为边坡位移的预测提供一种有效的方法。