自适应加权t-SNE算法及其在脑网络状态观测矩阵降维中的应用研究

针对目前数据降维算法受高维空间样本分布影响效果不佳的问题,提出了一种自适应加权的t分布随机近邻嵌入（t-SNE）算法。该算法对两样本点在高维空间中的欧氏距离进行归一化后按距离的不同分布状况进行分组分析,分别按照近距离、较近距离和远距离三种情况在计算高维空间内样本点间的相似概率时进行自适应加权处理,以加权相对距离代替欧氏绝对距离,从而更真实地度量每一组不同样本在高维空间的相似程度。在高维脑网络状态观测矩阵中的降维实验结果表明,自适应加权t-SNE的降维聚类可视化效果优于其它降维算法,与传统t-SNE算法相比,聚类指标值DBI值平均降低了28.39%,DI值平均提高了161.84%,并且有效地消除了分散、交叉和散点等问题。     

边坡光纤光栅监测与自适应卡尔曼滤波模型

山地变电站往往建设在地质条件复杂性的位置.地表裂变,突起,土体缓变,往往诱发更严重的地质灾害.结合楚雄220 kV边坡变电站的工程实际情况,利用光纤Bragg光栅(FBG)传感器,进而实现了对大型复杂结构环境的多参量、多点监测.通过建立自适应卡尔曼跟踪滤波模型,对边坡表面应变传感器,温度补偿传感器的数据,进行跟踪滤波,从而得到更为有效的监测数据.     

FBG传感器在重力墙位移监测中的应用

山区公路运营过程中,须掌握重力墙位移的变化,保障公路的安全。通过对重力墙作有限元分析,确定监测区域,并在墙监测区域的表面安装10只光纤光栅位移传感器,横向每隔2m安装一只,设置2个监测段,每段安装5只光纤光栅位移传感器。长期监测表明：重力墙在距离监测起始点0,8,18 m监测点处出现位移的变化较大,最大分别为0.86,0.99,0.69 mm。     

PLC在换轮库转向架液压控制系统中的应用

介绍了转向架分离装置总体结构及工作原理,分析了该分离装置液压系统工作原理及动作顺序。在此基础上,采用西门子PLC,计算了输入/输出点数,设计了操作面板、顺序功能图和程序。调试后证明设计的控制系统能满足该液压系统的动作要求,可为同类系统的设计提供参考。     

基于介中心性及K-shell的脑网络核心节点评价方法

在对基于核磁共振成像技术重构得到的人脑结构网络的研究中,核心节点的识别是对全脑网络特性展开研究的基础,具有重要意义。给出了一种基于K-shell和介中心性的核心节点评价方法,首先使用以节点局部重要性为标准的度中心性、邻近中心性和介中心性三个中心性评价方法分别对人脑结构网络中的节点重要性展开评估和分析;接着利用以节点全局地位为标准的K-shell分解法对人脑结构网络的核心节点展开分析。实验结果显示,由于同时兼顾了脑网络节点的整体特性和局部特性,该方法能够更全面和准确地识别核心脑区节点。     

基于深度学习的涡流热成像技术在无损检测中的应用

设计实现了一套涡流热成像无损检测系统,对试件进行涡流加热,使用热像仪进行探测,以热图像的形式展示试件温度变化情况来表征试件的损伤特征,并使用基于深度学习网络的智能识别方法诊断试件的损伤程度。该无损探伤方法使用卷积神经网络逐层挖掘可疑缺陷区域的本质特征。实验结果表明:该系统对金属板材试件损伤程度识别的准确率能达到97.3%,证明该系统具有较高的准确率和较好的适应性。     

非线性脑区相关性分析及动态脑网络构建方法

针对静息态脑功能磁共振的血氧依赖水平信号中的非线性特征,在基于滑动窗口的动态数据分析技术的基础上,本文重点对构建全脑动态特征矩阵过程中的不同非线性相关分析方法展开了对比研究,并给出了构建脑网络中的阈值确定方法。脑网络降维和状态聚类实验结果显示,在阈值参数选择合理的前提下,采用三种非线性分析方法对BOLD信号进行的相关分析均可得到结构规模相似的脑网络,并且其状态转换结果均显现出相似的规律性,从而为下一步展开脑网络的动态特性分析和演化过程研究奠定了基础。      

基于多目标优化车辆盘式制动器优化设计分析

盘式制动器由于其良好的制动效果,无论汽车在何种方向上行驶时,它的制动力矩都不会因此而改变,且在常规制动过程中,平稳性较好而被广泛应用。但其影响因素也很多,其中最重要的是其结构特点和使用要求,故对其内外及加工等因素综合分析,选取某参数为初始值,从而建立目标函数,借助Isight进行优化分析。对优化后的制动器进行建模分析,对结构强度、接触过程力分布、温度场分布等进行校核。结果可知:基于多目标优化得到了满足设计要求和性能指标的最优解,有效地缩短了制动时间,并减少了盘式制动器的外型尺寸;优化后结构的强度、接触应力、温度分布等均满足使用要求,表明优化分析过程及方法的可靠性,为此类设计提供参考。     

基于改进相对样本熵和BIGRU的滚动轴承退化分析北大核心

针对标准样本熵在表征轴承性能退化趋势中出现的随机波动明显和预测模型准确性低的问题,提出了以改进相对样本熵(RSE)作为性能退化指标,并利用双向门控循环神经网络(BIGRU)对轴承退化趋势预测的方法。首先,针对标准样本熵中切比雪夫距离只考虑状态向量之间的最大元素差异的问题,提出了通过组合绝对值、最大值、最小值来识别状态向量间元素差异范围;其次,再对样本熵求均值得到改进后的RSE;最后,将改进RSE作为性能退化指标输入到BIGRU中完成轴承退化趋势预测。实验结果表明,所提出的改进RSE健康指标很好地克服了轴承退化过程中的随机波动现象,具有更好的单调趋势;且与LSTM、GRU预测模型相比,BIGRU有着更高的预测准确性。