基于图像融合技术的步态识别

步态识别作为一种新型的生物特征识别技术,主要是通过人的步态特征进行身份识别。而一般提取出的步态特征往往不是很清晰,为了获得比较清晰的步态特征,利用图像融合技术中的小波变换融合对步态序列图像进行分解,将其分解到不同的频率段上,并采用不同的融合规则进行融合来获取比较清晰的步态特征。在此基础上进行了仿真实验,通过实验结果分析证实小波变换融合相对于其他融合方法确实能有效提高步态特征识别率,能够获得比较好的识别效果。     

基于经验小波变换的鄱阳湖CODMn预测

高锰酸盐指数(COD_Mn)是衡量水质状况的最重要参数之一,能反映水体受还原性物质污染的程度。结合经验小波变换(EWT)和双向长短期记忆(BLSTM)神经网络,提出了一种先利用EWT将原始的COD_Mn时间序列分解成若干成分,然后利用BLSTM神经网络对分解出来的每个成分进行预测,最后将所有成分的预测结果重建获得最终COD_Mn预测值的新的混合模型EWT-BLSTM;并以2017年8月—2020年4月鄱阳湖COD_Mn监测数据为研究对象,进行模型性能验证。结果表明：EWTBLSTM模型具有良好的预测性能,预测未来1 d以后的COD_Mn时,EWT-BLSTM模型的平均绝对百分比误差为2.25%,与单一BLSTM神经网络模型相比降低了10.53%;预测未来7 d以后的COD_Mn时,EWT-BLSTM模型的平均绝对百分比误差为8.36%,与单一BLSTM神经网络模型相比降低了16.16%。在COD_Mn峰值处,该模型依然保持较高稳定的预测性能,说明在...     

溶液环境对纳米Fe_2O_3/水界面NOM吸附过程中疏水效应的影响

以腐殖酸和纳米Fe2O3为对象,着重研究了腐殖酸分子在纳米Fe2O3表面的吸附过程中的疏水效应,借助红外光谱和热重等分析方法研究了腐殖酸吸附前后的疏水性随溶液环境变化的规律。结果表明,当离子强度为0、0.005、0.01和0.05 mol/kg,pH从7变到12时,纳米Fe2O3吸附溶解性腐殖酸分子后形成的复合体的热失重量随着pH的升高先减小后增大。当pH从7升高到10时,亲水性降低,疏水性增强;当pH从10升高到12时,亲水性增强,疏水性降低。当离子强度为0.001 mol/kg,pH从7变到12时,复合体的热失重量随着pH的升高而减小,亲水性降低,疏水性增强。当pH为定值,离子强度变化时,纳米Fe2O3吸附溶解性腐殖酸分子后形成的复合体的热失重量随着离子强度的增加不断变化,曲线呈现出波动趋势,亲、疏水性在交替变化。红外光谱分析结果说明,对纳米Fe2O3吸附溶解性腐殖酸分子后形成的复合体的亲疏水性起主要影响的官能团可能是亲水性的羟基—OH、羰基CO和疏水性的CH2烷烃。     

流向变换反应器中Pd/Zr-Mn-O/载体催化剂对甲苯的催化燃烧

在流向变换催化燃烧反应体系中,通过操作参数(甲苯浓度、空速及切换周期)对热波形状与特征参数(波峰温度、平均温度和移动速度)影响的考察,结果表明,较佳的操作参数为:甲苯浓度800～3 200 mg/m3,空速2 000～12 000h-1,切换周期2～10 min,空速和甲苯浓度对热波移动速度的影响较大,热波波峰温度和反应器平均温度随着甲苯浓度的增加而增加,随着切换周期的缩短而升高,随着空速的增加先升高后降低,与固定床装置相比,在流向变换装置中催化剂的活性更高,甲苯去除率在96.5%以上。     

基于HHT的混凝土损伤AE信号分析新方法

介绍了HHT这一非线性、非平稳信号的处理方法。针对混凝土材料损伤所产生的声发射信号复杂的特点,提出了基于HHT的分析混凝土材料中产生的声发射信号的新方法,借此分析了从预应力混凝土梁在三点弯曲载荷下的破坏实验中拾取的实际AE信号,获得了该损伤信号的Hilbert谱。通过与小波分析结果的比较,显示出该方法具有处理精度高、自适应性强的特点,能有效地提取声发射信号中损伤成分的主要特征,为AE信号处理提供了一种新的途径。     

基于Hilbert-Huang变换理论的结构损伤检测

详细介绍了一种适合分析非线性非平稳数据的新方法——Hilbert-Huang变换,并将此方法应用于结构损伤检测。仿真实验是某三层剪切型建筑结构受两种不同地震烈度的地震动激励,结构在此过程中出现的损伤由层间刚度衰减的方法近似模拟,用巴特沃斯低通滤波器对得到的每层加速度数据进行滤波,然后对滤波后的数据进行Hilbert-Huang变换分析,得到其Hilbert谱,并对Hilbert谱进行了分析。结果表明,此方法能有效地提取结构的损伤特征,从而对结构的健康状况做出诊断。     

基于时频变换和卷积神经网络的结构损伤识别∗

为了解决将单传感器时域数据直接作为卷积神经网络（CNN）的输入所引起的损伤识别精度不高的问题，提出基于小波包变换（DWPT）和快速傅里叶变换（FFT）的卷积神经网络识别方法。以短钢梁桥现场试验测得的数据集为例，将单传感器数据样本分别进行 DWPT 和 FFT 变换，使用变换后的特征训练 1D‐CNN 网络，训练好的网络测试精度有明显的提升，其识别精度均高于多个传感器数据直接作为输入的识别精度。同时分析了对噪声样本和异源（结构上未曾参与网络训练的传感器）数据的识别情况，结果表明对含噪声样本先进行时频变换再训练网络能显著提升对噪声样本的识别精度，而且能改善训练好的网络难以对异源传感器数据进行识别的问题，最后通过卡塔尔大学看台现场试验数据进一步论证上述结论。     

基于DWT与SVM的风门开闭阶段识别方法

为解决因风门开闭导致的风速传感器数据异常波动与误报警问题，提出一种基于离散小波变换(DWT)与支持向量机(SVM)的风门开闭阶段识别方法。使用多尺度滑动窗口将传感器风速监测数据离散化为若干段不同尺度的子时间序列数据，利用统计方法与DWT,提取各尺度子时间序列数据中的统计特征与隐含的波动特征，建立SVM风门开闭阶段识别分类模型。为进一步优化识别结果，基于重叠度(IoU)规则合并、修正、组合、取优分类识别结果，再根据相似准则建立长度方向取变率为2、整体相似比为1∶16的相似试验模型，开展风门开闭扰动试验，验证方法的可行性。结果表明：在测试集上的识别准确率较高，对于风门开闭时间的识别准确率可达到90.08%,风门开闭阶段的划分准确率可达到71.05%,优化滑动窗口尺度数量，可继续增加方法识别的准确率。     

基于连续小波变换的土壤重金属含量反演模型

文章以博斯腾湖西岸湖滨绿洲土壤重金属Cr、Ni、Zn为研究对象，采用偏最小二乘回归、支持向量机和人工神经网络模型，通过连续小波变换，优选高光谱数据与土壤重金属含量的特征波段，构建研究区土壤重金属含量的高光谱反演模型。研究结果表明：（1）连续小波变换后，土壤重金属Cr含量相关性由0.24提高到0.45；土壤重金属Ni含量相关性由0.31提高到0.45；土壤重金属Zn含量相关性由0.31提高到0.51;(2）土壤重金属Cr、Ni、Zn含量的高光谱特征波段主要位于400～900、1 400～1 600、2 000～2 200 nm。（3）连续小波变换与人工神经网络相结合的模型精度最优，其土壤金属Cr含量的建模集和验证集的R²分别为0.91和0.84，均方根误差(RMSE)为2.40和3.91；土壤金属Ni含量的建模集和验证集的R2分别为0.91和0.84，均方根误差(RMSE)为2.40和3.91；土壤金属Ni含量的建模集和验证集的R²分别为0.88和0.82,RMSE为1.64和2.43；土壤重金属Zn含量的建模集和验证集的R2分别为0.88和0.82,RMSE为1.64和2.43；土壤重金属Zn含量的建模集和验证集的R²别为0.90和0.81,RMSE为5.20和5.93；连续小波变换结合人工神经网络模型比最小二乘和支持向量机2种模型，适合研究区土壤重金属Cr、Ni、Zn含量的反演。     

管道腐蚀深度预测的优化灰色GM(1,1)模型建立及应用

管道腐蚀深度是腐蚀行为研究的重要内容，准确预测管道腐蚀深度变化规律对于保障管道的安全运行意义重大。针对传统GM(1, 1)模型背景值计算方法的不足，提出了一种基于二次多项式变换结合背景值优化的改进灰色模型，通过实例对比分析了改进模型和传统模型预测精度的差异。结果表明：当建模样本数为7时，传统模型、改进模型一(采用二次多项式变换方法所建模型)、改进模型二(采用二次多项式变换结合背景值优化方法所建模型)预测所得的平均相对误差分别为5.33%、4.00%和3.731%,因此改进模型二的预测精度高于改进模型一和传统灰色模型；当建模样本数分别为8和9时，改进模型二的预测精度仍最高，因此采用的背景值优化方法有助于提升改进模型一的预测精度；改进模型用于预测管道腐蚀深度完全可行，且所用方法具有计算简单、精度高的优点。