排序方式: 共有17条查询结果,搜索用时 0 毫秒
1.
2.
针对基于稀疏成分分析和正交基压缩感知的欠定工作模态参数识别方法准确率低、鲁棒性差的问题,提出一种基于自适应字典压缩感知的欠定工作模态参数识别方法。所提方法在模态振型估计的基础上利用自适应字典压缩感知重构模态坐标响应。在压缩感知框架下,首先,所提方法利用滤波分离的方法构造字典学习的训练样本;然后,使用基于K均值奇异值分解的字典学习方法和层次耦合字典训练策略生成自适应字典,实现了无监督的字典学习;最后,利用正交匹配追踪算法得到稀疏系数分量,进而恢复源信号重构模态坐标响应。在压缩感知框架下,所提方法利用K均值奇异值分解算法学习得到的自适应字典,对于信号的分解比傅里叶基或离散余弦基等正交基具有更强的稀疏表示能力。在5自由度的仿真数据集下的欠定工作模态参数识别的结果表明,所提方法比稀疏成分分析、正交基压缩感知等方法具有更好的识别精度和鲁棒性。 相似文献
3.
提出了一种用于求解多参数影响机构的可靠度敏感性的新方
法.利用多体系统动力学理论和Kriging理论建立机构的模型,并在此基础上计算机构的可靠度敏感性.该
方法能够克服机构模型的复杂性所带来的计算困难,特别是在无法得出机构的状态功能函数时,Kriging
理论的应用可以很好地解决此类问题.同时,该方法利用小尺度的蒙特卡洛抽样仿真计算,可以通过小数
目的抽样来为建立Kriging模型提供给定的输入和输出.通过实例可以看出,在计算过程中该方法使用方
便,计算结果符合机构的实际情况,可为机构的后续设计提供理论依据. 相似文献
4.
针对使用模型初始权重随机设定的神经网络模型进行不相关多源频域载荷识别时训练效率低、精度低的问题,提出一种基于神经网络和模型迁移学习的不相关多源频域载荷识别方法.首先,利用某频率点的历史数据对不相关多源载荷识别的多输入多输出神经网络模型进行训练;其次,将该频率下的神经网络的模型参数迁移到相邻的目标频域的神经网络中作为网络权值的初值;再次,利用目标频率的历史数据对神经网络进行微调训练,从而得到目标频率的不相关多源频域载荷识别模型;最后,将该频率的训练好的神经网络的模型参数迁移到下一个相邻频率的模型,循环该过程直到建立所有频率点的神经网络模型.在圆柱壳声振实验数据集上的载荷识别结果表明,该方法具有较好的网络权值初值、能有效减少训练时间,比不使用迁移学习的神经网络方法、基于传递函数和最小二乘广义逆的方法、基于多元一次线性回归的方法具有更高的识别精度. 相似文献
5.
针对大多可靠性工程问题中机构极限状态函数为隐式的情况,提出了一种基于极限学习机(ELM)回归近似极限状态方程的可靠性及灵敏度分析的新方法.通过极限学习机与蒙特卡洛法相结合,利用极限学习机快速学习的能力,将复杂或隐式极限状态方程近似等价为显式极限状态方程,运用蒙特卡洛法计算出机构的失效概率,然后由高精度的显式极限状态方程进行各随机变量参数的灵敏度分析.该方法采用了基于单隐层前馈神经网络极限学习算法,因而在拟合非线性极限状态方程上表现优越,计算精度和效率高.最后以某型起落架中可折支撑锁机构为对象,进行了机构的可靠性及敏感度分析.结果表明:该方法具有高精度和高效率的优点,在工程应用上具有一定的价值. 相似文献
6.
针对工程可靠度计算中极限状态函数不解析、非线性、计算量大这一问题,提出基于优化极限学习机高效重构极限状态函数的可靠度计算方法.该方法确定可靠度重要影响区域,在该区域内利用优化极限学习机泛化性能好的优点,按照一定的策略高效循环重构极限状态函数,最大限度地减少极限状态函数的计算次数.基于该重构极限状态函数进行重要抽样可靠性计算.通过实例分析证明,该方法的效率极高,既减少了极限状态函数的计算次数,又能够保证可靠度的计算精度. 相似文献
7.
多因素影响下的连杆机构可靠性分析 总被引:2,自引:1,他引:1
连杆机构可靠性通常研究机构能否有效运转,以及动起来之后是否准确。综合考虑尺寸误差、装配误差、间隙、摩擦系数、载荷、速度共6种因素的影响下,基于多体动力学理论和间隙碰撞理论对典型机构进行建模,并假定上述6种影响因素为正态分布,且相互独立。然后应用Monte Carlo抽样仿真的方法对机构可靠性进行分析,进一步研究各个影响因素在不同变化范围的水平下,对机构可靠度的影响大小,从而确定主要影响因素,为后续机构可靠性研究设计提供了参考。对于其他机构的可靠性研究,也具有一定借鉴意义。 相似文献
8.
为了仅从平稳振动响应信号中识别线性时不变三维结构的工作模态参数,提出一种基于拉普拉斯特征映射的三维结构模态分析方法.该方法首先将复杂三维结构的振动响应数据视作处于高维空间的数据集,利用拉普拉斯特征映射寻找该数据集的低维嵌入数据.低维嵌入数据对应模态响应矩阵,利用单自由度识别技术从模态响应矩阵中识别出模态固有频率.最后,... 相似文献
9.
针对传统局部二值模型(LBP)算子容易受到周围噪声点的干扰的缺点,提出了首先对图像进行Gauss滤波预处理,去除图像中的干扰噪声。针对传统LBP算子无法提取出非局部特征信息,提出一种新的基于多尺度加权的改进LBP(MWLBP)算子。MWLBP算子以不同大小的方型邻域为研究对象,将不同大小区域的LBP直方图进行加权求和。MWLBP比传统LBP算子提取的特征范围更大,在提取了局部特征的同时,保留了一定的非局部特征。相对于Gabor和其它特征提取方法,MWLBP算子在保留了多尺度特征的同时,能控制计算量大小。在ORL和Yale人脸数据库上的实验表明,Gauss滤波预处理确实能去除图像中的干扰噪声,提高识别准确率;MWLBP算子比传统的LBP算子、Gabor和其它特征提取方法减少了计算量,加快了分类器训练和人脸识别的速度,提高了准确率。 相似文献
10.
为了仅从非平稳振动响应信号中在线识别线性慢时变弱阻尼结构的时变和瞬态的模态参数,提出一种基于滑动窗变步长等变自适应源分离(MWVEASI)的工作模态参数识别方法.该方法采用固定窗长技术,使得非平稳振动响应信号在每个窗内可近似看作是平稳的随机序列,线性慢时变结构可看作多个时不变结构.在每个窗内,再利用变步长的EASI算法... 相似文献