基于双ADSP-TS201的波前信号处理试验平台设计

在分析波前信号处理算法特点后,介绍了ADI公司的高性能处理器ADSP-TS201结构和性能,以两片ADSP-TS201芯片为核心设计了用于波前实时信号处理的自适应光学波前信号处理系统,为自适应光学技术的发展提供技术支持.     

基于红外测温的电气控制柜内部元件热缺陷温度与方位的三维反问题识别

结合红外辐射理论分别建立了控制柜内部单个和多个元件过热时对壳体内表面的红外辐射模型,得到了壳体内表面总的热流密度分布,并针对受热壳体建立三维热传导模型。基于对壳体表面红外成像测温,运用共轭梯度法进行了导热反问题模拟研究,对控制柜内部元件的发热温度和方位同时进行了识别,最后分析了测量误差对计算结果的影响。得出结论:对单个故障元件的发热温度和方位同时进行反演求解,得到了精确的计算结果;对两个故障元件的发热温度和方位分开求解时,取得了较高的求解精度;对两个故障元件的发热温度和方位同时进行反演求解,也能获得准确的计算结果。测量误差较小时,对过热元件的故障诊断影响较小,故障元件的发热温度受测量误差影响更大。     

基于分层模糊优化的湿式多片离合器起步控制研究

针对湿式多片离合器的控制原理和起步结合过程,在充分考虑起步冲击度和滑磨功的基础上,分析了起步过程,选取了各起步过程的控制参数。继而提出了离合器起步占空比分层模糊优化控制策略,即首先分析起步意图,其次对占空比进行初始控制,最后对占空比进行优化。在此控制策略的基础上设计了分层模糊优化的控制模型和算法。经过整车仿真,并与其他控制策略对比,结果显示该策略能有效识别驾驶员起步意图,提高湿式离合器的起步平顺性,并能降低冲击度和滑磨功。     

基于脑电信号空域特征的紧急制动行为识别

基于脑电信号对紧急制动行为的分类识别和预测,是开发以人为中心的智能辅助驾驶系统的关键问题。为实现对驾驶过程中紧急制动和正常驾驶行为的分类识别,提出了基于PLV的特征表示方法来构建功能性脑网络,结合对网络特征参数的统计分析,确定显著性差异的特征参数,以及通过对数欧式距离提取脑电信号空域特征,并结合机器学习算法完成对紧急制动和正常驾驶行为的分类识别。实验结果表明,针对17名被试的紧急制动和正常驾驶的分类准确率均高于84%,最高准确率达到95.7%;对功能性脑网络的分析结果表明,在两种驾驶行为过程中,脑区间的交互都涉及全脑区,且在紧急制动过程中,脑区间的交互主要出现在额-中央-颞叶区,这与紧急制动下大脑更专注于判断决策相符。研究结果对理解驾驶过程中,尤其是紧急制动过程中驾驶员对应脑区间的依赖关系,以及开发智能辅助驾驶系统在驾驶过程中提前识别紧急制动意图具有一定的参考价值。     

用红外热像仪测量电机表面温度和估计电机运行电流

用红外热像仪检测电机的表面温度分布,对于研究电机表面温度分布与电机定子工作电流之间的关系并及时、有效地发现电机运行时存在的事故隐患和故障先兆具有重要意义.利用有限体积法建立了三相异步电机的稳态传热数学模型.通过将传热反问题中的函数规范法用于Y100-L2型电机定子电流的估计,分析了电机表面温度的测量误差对估计电流误差的...     

融合多元信息的多关系社交网络节点重要性研究

识别重要节点是社会网络分析领域的重要任务之一,也是理解复杂网络结构和动力学特性的有效方式,迄今发展起来的节点重要性分析框架主要面向单关系网络.多关系网络作为准确刻画现实世界复杂系统的典型建模形式,已成为当前网络科学领域研究的热点,但对于多关系网络的节点重要性研究尚缺乏系统性的研究成果.针对多关系社交网络节点重要性研究问题,通过构建有向多重网络模型和基于张量代数的数学框架对其进行建模和分析,将中心性、声望和传递性作为影响社交网络节点重要性的关键因素,提出了一种面向多关系社交网络的节点重要性度量指标,并针对其存在不足引入D-S(Dempster-Shafer)证据理论进行改进,进一步提出了IOMEC(in-degree out-degree multiplex evidential centrality)节点重要性度量方法.在4个真实网络上的实验结果表明:采取信息融合的方法可以有效消除多关系网络耦合信息和传递机制对节点重要性评测造成的影响,提出的IOMEC方法能够更准确地对节点重要性进行度量,并且具有较低的时间复杂度,在论证节点中心性和声望是衡量节点重要程度主要因素的同时,说明了综合考虑节点传递性的必要性.所做工作为多关系网络节点重要性研究提供新的思路方法的同时,进一步拓展了信息融合技术的应用场景.     

基于多重分形的聚类层次优化算法

大量初始聚类结果之间存在强弱不同的相似性,会给用户理解与描述聚类结果带来不利影响,进而阻碍数据挖掘后续工作的顺利展开.传统聚类算法由于注重聚类形状及空间邻接性,或者考虑全局数据分布密度的均匀性,实际中均难以解决这一类问题.为此,提出了基于分形的聚类层次优化算法FCHO(fractal-based cluster hierarchy optimization),FCHO算法基于多重分形理论,利用聚类对应多重分形维数及聚类合并之后多重分形维数的变化程度来度量初始聚类之间的相似程度,最终生成反映数据自然聚集状态的聚类家族树.此外,初步分析了算法的时空复杂性,基于合成数据集和标准数据集的有关实验工作证实了算法的有效性.     

基于红外测温的柜内元件热故障的反问题识别

结合红外辐射理论分别建立了控制柜内部单个和多个元件同时过热时对壳体内表面的红外辐射模型,得到了壳体内表面总的热流密度分布,并针对受热壳体建立二维热传导模型。基于对壳体表面红外成像测温,运用L-M算法进行了导热反问题模拟研究,对控制柜内部单个和多个元件的发热温度和方位进行了识别,最后分析了测量误差对计算结果的影响。结果发现运用L-M算法对单个和多个故障元件的发热温度和方位进行分开反演求解和同时进行反演计算时,都取得了较好效果,求解精度较高。测量误差对发热温度的反演计算结果影响更大。     

灰色Markov模型动态关联规则趋势度挖掘方法

针对动态关联规则趋势度随时间变化的特点,在分析原有定义以及对动态关联规则趋势度建立预测模型的基础上,提出一种把灰色-Markov模型应用到动态关联规则趋势度挖掘中的方法。该方法利用动态关联规则趋势度定义得到规则的趋势度;对于不满足趋势度阈值的规则的支持度计数序列运用灰色-Markov模型进行预测;将预测数据添加到原规则支持度序列中,并且得到该规则新的趋势度,进而判定此规则的趋势度是否满足阈值要求。通过一个实例进行分析,结果不仅证明了该方法的有效性并且能在一定程度上提高了挖掘的精度和效率,从而使动态关联规则挖掘能够得到更全面、更精确的结果。