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。     

学生参与电气人才创新能力培养的探索

基于“以学生为本”的OBE教育理念，本文对电气人才创新能力培养进行了探索。整个过程将专业课程体系契合学业规划以明确学生学习目标；学生参与理论、实践教学和平台搭建，在夯实其理论知识的同时丰富教学资源；在创新考核中采用“螺旋递进式”的师生互动模式，全程培养学生自主的创新能力。多年实践探索表明学生在课程实践、学科竞赛、论文发表和申报专利等方面的创新能力得到显著提升。     

基于1D CNN与XGBoost的恶意代码纹理检测

恶意代码数量已经呈现爆炸式增长,对于恶意代码的检测防护显得尤为重要.近几年,基于深度学习的恶意代码检测方法开始出现,基于此,提出一种新的检测方法,将恶意代码二进制文件转化为十进制数组,并利用一维卷积神经网络(1 Dimention Convolutional Neural Networks,1D CNN)对数组进行分类和识别.针对代码家族之间数量不平衡的现象,该算法选择在分类预测上表现良好的XGBoost,并对Vision Research Lab中的25个不同恶意软件家族的9458个恶意软件样本进行了实验.实验结果表明,所提的方法分类预测精度达到了97％.     

一种用于水声材料设计的动态参数测试方法

针对提高水声材料设计中动态参数输入精度的问题，提出了一种复杨氏模量及泊松比准确测试方法。对于复杨氏模量测试，通过将Williams-Landel-Ferry(WLF)方程引入到Havriliak-Negami(H-N)模型中，采用信赖域反射算法对未知参数进行拟合得到材料参数宽频域主曲线。对于泊松比测试，根据同一材料不同形状因子表观杨氏模量之比与泊松比存在唯一量化关系的特性，仅通过两种不同形状因子试样的准静态有限元模拟，获得表观杨氏模量比值与泊松比量化曲线。因此，根据橡胶样品表观杨氏模量测试结果，可以直接利用局部加权回归获得其泊松比。最后，将前述材料制成直径为55 mm、厚度为50 mm的声管样品，放置在水声管中进行吸声系数测试。同时，把橡胶的复杨氏模量和泊松比的测量结果输入到水-橡胶-水分层介质模型中进行吸声系数计算。结果表明两者吻合，验证了上述测试方法的正确性和有效性。     

掺钪AlN材料特性及HBAR器件性能研究

该文基于掺钪AlN薄膜制备了高次谐波体声波谐振器(HBAR),研究了钪(Sc)掺杂浓度对AlN压电薄膜材料特性及器件性能的影响。研究表明,当掺入Sc的摩尔分数从0增加到25%时,压电应力系数e₃₃增加、刚度 下降,导致Al₁-_xSc_xN压电薄膜的机电耦合系数 从5.6%提升至15.8%,从而使HBAR器件的有效机电耦合系数 提升了3倍。同时,当Sc掺杂摩尔分数达25%时,Al₁-_xSc_xN(x为Sc掺杂摩尔分数)压电薄膜的声速下降13%,声学损耗提高,导致HBAR器件的谐振频率和品质因数降低。     

基于改进SOA-VMD的磁声发射信号去噪算法

磁声发射（MAE）是铁磁性材料磁化过程中产生的声发射信号，在构件应力检测和微观损伤检测中有着广泛的应用。针对MAE信号非稳态、复杂性、衰减性等特点，提出海鸥算法结合变分模态分解（SOA-VMD）的去噪方法，为克服海鸥算法求解过程中易陷入局部最优解问题，利用柯西变异算子产生随机迭代过程，使改进算法即柯西变异海欧算法（CVSOA）跳出早熟收敛。采用以幅值谱熵为适应度函数，优化VMD算法中分解模态个数K和二次惩戒因子α两个参数，将含噪声的MAE信号进行VMD分解重构。经仿真信号和实际检测信号分析表明，改进后的CVSOA-VMD算法全局寻优能力和去噪性能优于传统的SOA-VMD算法，降噪后的MAE信号特征值对于不同应力下均方根、偏斜度特征值的重复性更好，可靠性更高。