融合环境因素的有限空间毒气扩散危害程度分析

为探究环境因素对毒气扩散危害程度的影响,通过对比有限空间内外环境差异,了解气体在有限空间内受力情况,并以传统高斯烟羽模型为基础,考虑扩散气体与有限空间边界碰撞产生的反射作用,建立了适用于有限空间气体扩散的改进高斯烟羽模型。深度剖析有限空间气体扩散环境,挖掘气体扩散主要关联因子,构建风速、地表粗糙度对有限空间气体扩散的影响函数;参照有限空间环境特征,分别设置3种不同风速与2种不同地表粗糙度,推求6种不同环境条件下气体扩散面积,阐明风速与地表粗糙度对有限空间气体扩散的影响程度。结果表明:在单一风速条件下,风速越高,地表粗糙度越低,洞室内H2S气体滞留时间越短,洞室内气体的扩散面积越小;风速越低,地表粗糙度越高,洞室内气体的扩散面积越大。     

Lamb波高斯混合模型螺栓松动损伤检测

螺栓连接广泛应用于多种领域,及时发现螺栓松动的位置是结构健康监测的重要课题之一。利用粘贴在铝板上的压电阵列采集Lamb波信号,提取特征参数集建立高斯混合模型。通过采集监测区域内螺栓连接结构的各种松动工况的数据建立完备的基准数据库,更新实时数据建立动态高斯混合模型,基于高斯混合模型之间概率密度分布之间的相似度最大准则,判断监测区域的各个螺栓松动情况。实验结果表明,螺栓松紧状态一致的测试样本与训练样本之间的高斯混合模型概率分布相似度值达到0.99以上,明显高于工况不匹配的相似度,该方法可有效判断监测区域每个螺栓的松紧状态。     

基于高斯混合隐马尔科夫模型与人工神经网络的紧急换道行为预测方法

为了有效降低因驾驶员紧急换道行为而诱发的交通事故，提高道路交通事故链阻断效率，提出一种基于高斯混合隐马尔科夫模型（GMM-HMM）和人工神经网络（ANN）的紧急换道行为预测方法。首先利用GMM-HMM对车辆行驶状态以及驾驶行为连续观察序列进行换道意图辨识，采用ANN预测下一时段的驾驶行为，再预测换道过程中的横向加速度变化率，从而判断紧急换道的危险程度。驾驶员在环仿真实验及实车实验结果表明，该方法预测避险成功率达92.83%，实验避险成功率达90.32%。该方法能有效地对紧急换道行为进行提前警告与干预。     

改进ILoG算子的故障检测方法

针对强背景噪声干扰下轮对轴承故障特征微弱、难以准确检测的问题,提出了一种自适应改进高斯拉普拉斯(improved Laplacian of Gaussian,简称ILoG)算子的微弱故障检测方法。ILoG算子滤波器具有优良的信号突变特征检测能力,将其用于轮对轴承故障信号的冲击特征检测,同时利用水循环算法(water cycle algorithm,简称WCA)的寻优特性,并行搜寻筛选最佳的ILoG算子影响参数,通过对参数优化后ILoG算子滤波后信号做进一步包络解调分析,提取出轮对轴承微弱的故障特征信息。对实际轮对轴承外圈和内圈故障信号分析的结果表明,该方法可以有效检测出轴承微弱故障特征频率,故障检测效果优于小波阈值和多尺度形态学差值滤波方法。     

非高斯噪声激励下非线性漂移Fokker-Planck方程的非稳态解及其应用

非高斯噪声广泛存在于各种非线性系统，对非高斯噪声所驱动系统的非稳态演化行为进行研究可以更为深入的了解其内在的演化机理．本文对非高斯噪声和高斯白噪声共同驱动的非线性动力学系统的非稳态演化问题进行研究．首先应用格林函数的 $\Omega$ 展开理论在初始区域对非线性动力学系统进行线性化，然后结合本征值和本征矢理论推导出了该系统 Fokker-Planck 方程的近似非稳态解的表达式，最后以 Logistic 系统模型为例分析了非高斯噪声强度，关联时间及非高斯噪声偏离参数对非稳态解以及一阶矩的影响．研究结果表明，用 Logistic 模型描述产品产量增长时，其非稳态解可更好地反映产品产量在不稳定点附近的演化行为．     

基于EKF+EKS的BCG动态高斯模型滤波研究

心冲击图(Ballistocardiogram,BCG)信号属于微弱信号,现实采集的BCG信号通常包含采集环境干扰和个体差异,因此缺乏健康个体的BCG信号模板和适用于BCG信号的降噪方法。提出一种基于高斯核函数的动态BCG信号模型,在动态高斯模型的基础上,应用扩展卡尔曼滤波与扩展卡尔曼滤波平滑对BCG信号进行复合滤波。该模型提供健康个体的BCG信号,包括H波、I波、J波、k波、L波和M波特征。经联合扩展卡尔曼滤波与扩展卡尔曼平滑滤波后的BCG信号比其他传统滤波器滤波后的BCG信号信噪比更高。基于动态高斯模型合成的BCG信号能完整表达健康个体的BCG信号特征,联合扩展卡尔曼滤波和扩展卡尔曼平滑的复合滤波,对BCG信号的滤波达到了更好的降噪效果。     

水文序列相依变异识别的RIC定阶准则——以自回归模型为例

水文过程相依性是水文变异的主要表现形式之一,应用自回归模型对其进行拟合时合理确定模型阶数是一个难点问题。本文在分析AIC和BIC准则的基础上,提出了一种以原序列与其相依成分的相关系数作为拟合度指标,同时借用信息熵形式的函数式,作为模型不确定性度量指标的自回归模型定阶准则(简称RIC准则)。以AR(1)、AR(2)、AR(3)和AR(4)模型为例进行统计试验,将不同序列长度下该准则的定阶准确率与其他定阶准则进行比较,试验结果表明,RIC准则对于上述模型均具有较好的适应性,且定阶准确率远高于AIC准则,其中对于前三阶模型RIC准则优于BIC准则,但四阶模型略低于BIC准则。RIC准则的优势是可以同时满足模型定阶、相依程度分级与模型检验的需求,将其应用于实测水文序列分析,结果显示,该准则能较准确地识别自回归模型的阶数,且符合提出的"相依有变异而残差无变异的最小阶数"的检验标准。