课程文献中心 更多>>

关键词： Offshore wind turbines  

摘要： When using vibration response and supervised learning algorithm to identify the damage of offshore wind turbine supporting structure under operating conditions, the influence of harmonic components with high energy proportion in the response and the problem that supervised learning algorithm needs to manually define labels will be encountered. Therefore, the Variational Modal Decomposition (VMD) and Fuzzy C-Means (FCM) clustering algorithm awere employed to identify the damage of offshore wind turbine supporting structure in this paper. In order to eliminate the harmonic components in the vibration response signal,firstly, the VMD is was used to decompose the acceleration response signal, and the structural modal response (only containing the natural frequency of the structure) signal is was selected as the analysis signal. Then, the time domain, energy, energy ratio and sample entropy of the modal response signal are were calculated to construct the feature matrix, and the principal component analysis (PCA) is was used to reduce the dimension of the feature matrix to obtain the damage feature matrix. The damage feature matrix is was input into the FCM clustering algorithm, and the damage state of the structure is was obtained by clustering analysis. The model test data of damage identification of offshore wind turbine supporting structure under displacement excitation verify the effectiveness of the proposed method.,The proposed this methodwhich is not affected by the harmonic components in the response. On the other hand, it does not need to manually define the label because the FCM clustering algorithm belongs to the unsupervised learning algorithm. © 2025 Chinese Vibration Engineering Society. All rights reserved.

关键词： Strain measurement  

摘要： Evaluating the mechanical performance and operational conditions of bridge structures relies on accurately measuringement of vibration displacement. Such measurement can provide essential parameters, such as mode and frequency, to assess the operational status and condition of damaged bridge structures. However, traditional displacement monitoring techniques have high cost, low accuracyare expensive, have low accuracy, and offer and limited measurement positions. This paper proposes a A low-cost, non-contact, and multi-point measurement method was proposed in this paper,based on the Kernelized correlation filters (KCF) algorithm to measure the vibration displacement of bridges. The proposed method used shaking Shaking table tests on a dual-column pier model were conducted,with energy dissipation links under different white noise sweeps. The recorded vibration displacement from a laser displacement sensor (LDS) was used as a reference for comparison. The natural frequencies and mode shapes of the dual-column pier and bridges were identified using the covariance-driven stochastic subspace identification method. The study verified the The reliability, feasibility, and accuracy of machine vision technology in identifying the natural frequencies and mode shapes of bridges were verified. The results showed that the small amplitude vibration displacement of the dual-column pier identified by the KCF algorithm is almost consistent with the waveforms, change trends, and peak values recorded by LDS, with a maximum peak error of 4%. The error between the natural frequencies identified by the KCF algorithm and the LDS results was within 2.5%. The confidence level of the mode shapes identified between both approaches was above 0.90. © 2025 Chinese Vibration Engineering Society. All rights reserved.

关键词： 全波形   激光雷达   轻量化   回波检测   波形分解  

摘要： 小光斑全波形激光雷达凭借高穿透、完整回波获取能力而蕴含巨大应用潜力。高效精准处理海量回波信号是全波形激光雷达实际应用前提，成为波形分解技术前沿性挑战。对于小光斑全波形激光雷达系统，单目标回波占比高且仅多目标回波需要精细波形分解处理，然而现有方案通常以牺牲精度为代价而采用简单快速波形分解算法，或将全部回波信号无差别进行波形分解而导致效率低下，难以兼顾精度和效率。该研究面向小光斑全波形激光雷达，提出一种时空耦合模型驱动的多目标回波轻量化检测算法，首次实现从未知回波次数的波形数据中高效精准检测多目标回波，有效避免波形分解算法无差别处理单目标回波而引入冗余计算，显著减少波形分解次数。具体地，(1)该算法构建了激光雷达时空耦合回波信号模型，以揭示回波传输的时空特性;(2)基于此模型驱动双高斯函数叠加拟合方式，轻量化估计波形参数;(3)根据信噪比引入自适应相关性判别方法。结合系统发射脉冲一致性，所提方法能够轻量化且准确检测多目标回波信号，在地基和机载波形数据实验结果证明，该研究提出的轻量化多目标回波检测算法检测准确率高达98.4%，召回率93.1%。利用4种波形分解方法结合多目标回波检测，效率显著提高2～3倍，且在单目标回波数量占比增大情况下效率提升更显著。

关键词： 通感一体化   信道状态信息   呼吸频率   Hilbert-Huang变换   变分模态分解  

摘要： 通感一体化(ISAC)作为一种6G关键技术，将通信和感知功能集成到Wi-Fi设备，为室内人体呼吸频率感知提供一种有效的方法。针对当前基于ISAC的呼吸频率感知存在鲁棒性低和“盲点”的问题，该文提出一种基于信号变分模态分解(VMD)- 希尔伯特-黄变换(HHT)呼吸频率感知算法。首先，选择对环境感知敏感度较强的Wi-Fi链路构建信道状态信息(CSI)比值模型。其次，将滤波后的CSI比值时间序列的各子载波进行投影，结合幅相信息生成不同呼吸模式信号的候选集。再次，对于每一个子载波，根据周期性在候选集中选择一个短期呼吸噪声比最大的候选序列作为最终的呼吸模式，然后设置阈值选择子载波，并对其进行VMD和HHT时频分析，去除人体呼吸频率成分以外的模态分量，并重构剩余模态分量。在此基础上，利用主成分分析(PCA)对所有重构的子载波降维，选择方差贡献率达到99%以上的主成分分量，并使用ReliefF算法重新构建呼吸信号，得到融合信号。最后，对融合信号利用峰值检测算法计算呼吸频率。实验结果表明，该感知方法在会议办公室和走廊两种场景下的平均估计精度超过97%，显著提高了鲁棒性并克服了“盲点”问题，优于其他现有的感知方案。

关键词： 多基外辐射源定位   运动目标   未知发射站位置和速度   约束加权最小二乘   拟牛顿法  

摘要： 针对发射站位置与速度未知时的运动目标定位问题，该文提出一种低复杂度的两阶段定位算法。首先，利用直接路径时间迟延和多普勒频移量测构建一个基于约束加权最小二乘(CWLS)模型获得发射站的位置和速度。然后，将发射站位置和速度估计值代入直接路径和间接路径联合模型，建立基于CWLS的目标位置和速度估计模型，利用拟牛顿法求解目标的位置和速度。理论分析和仿真结果显示所提算法定位性能达到克拉美罗下界(CRLB)。

关键词： 合成孔径雷达   YOLOv7   感受野增强   跨尺度融合   船舶检测  

摘要： 针对复杂的海上背景、尺度变化大的船舶目标和噪声干扰导致合成孔径雷达(SAR)舰船检测存在精度不高、漏检和误检严重的问题,提出了一种改进的YOLOv7模型。首先,设计感受野增强特征提取模块(RFEFM),并用其重构主干网络,增强感受野并提高多尺度目标特征提取能力;其次,提出高低维特征融合金字塔(HLF-FPN),过滤干扰的噪声及背景信息,高效融合不同尺度信息;然后,提出一种新的F-MPDIoU损失函数,加快模型收敛,改善了漏检、误检问题;最后,在HRSID数据集上实验,与原YOLOv7模型相比,改进后的模型在mAP@0.5、精确率和召回率方面分别提升了4.9、9.4和13.4个百分点,FPS达到68帧/s,可以满足实时检测的需求。

关键词： 自动化行政给付   算法风险   分配正义   法律规制  

摘要： 算法与行政给付的深度融合是行政给付数字化转型的关键因素。自动化行政给付不仅重塑了申请受理的运行方式,也实现了给付事项的智能处理。然而,自动化行政给付的过程也带来算法歧视或偏见、算法权力、信息茧房等新型风险,影响自动化行政给付的效能发挥。因此,规制自动化行政给付的算法风险显得尤为必要。在宏观上,应明晰自动化行政给付算法风险的法律规制向度,更新分配正义理念,确立风险预防原则;在微观上,应完善风险预防的法律规范,增强数字包容的技术供给,形成多维给付数据的共享机制,建立算法偏见的合作监管机制,完善技术运用的法律责任机制,以健全自动化行政给付算法风险的法律规制体系。

关键词： 雷达任务调度   图神经网络   强化学习   模型知识   拉普拉斯矩阵   随机矩阵  

摘要： 现代雷达的探测、跟踪、识别等任务场景越来越复杂。任务类型的多变性,雷达资源的稀缺性和任务执行时间窗口的严格要求,使得雷达任务调度成为一类强NP-Hard问题。然而,现有的调度算法在处理涉及复杂逻辑约束的多雷达协同调度问题时适应性不足,效率不高。因此,基于人工智能(AI)的调度算法正在成为研究热点,但是AI调度算法的效率与其对问题特征的提取是否全面密切相关。如何能快速、全面地提取多雷达协同任务调度问题的共性特征,是提升这类AI调度算法效率的关键。因此,该文提出了基于模型知识融合的图神经网络(MKEGNN)调度算法。该算法首先将雷达任务协同调度问题建模为异构网络图模型,利用模型知识来优化GNN算法训练过程。算法创新在于:通过低复杂度的计算手段,获取模型的关键知识,进而优化GNN模型。在特征提取阶段,引入随机酉矩阵变换,利用任务异构图的随机拉普拉斯矩阵谱特征作为全局特征来强化图神经网络对共性特征的提取能力,弱化特定问题的个性化特征;在参数化决策阶段,利用由问题的引导解和经验解构成的上/下界结构知识从原理上减少决策空间大小,引导网络快速优化,加速决策学习过程的收敛。最后,进行了大量数据仿真实验。结果表明,相比目前的算法,MKEGNN算法对于所有任务集在稳定性和精度方面都有所提升,调度成功率性能提升3%~10%,加权调度成功率提升5%~15%。尤其当处理多雷达协同关系复杂的任务集时,任务调度成功率提升4%以上,算法稳定性和鲁棒性显著增强。

关键词： 合成孔径雷达   遥感图像配准   特征描述符提取   旋转鲁棒性   像素偏移量  

摘要： 由于侧视和相干成像机制,当高分辨率合成孔径雷达(SAR)图像的成像视角变化较大时,图像间的特征差异会变大,使图像配准难度增加。针对高分辨率多视角SAR图像,传统的配准技术主要面临提取的关键点定位精度不足和匹配精度低的问题。基于上述难点,该文设计了一种端到端的高分辨率多视角SAR图像配准网络。文章主要贡献包括:提出基于局部像素偏移模型的高分辨率SAR图像特征提取方法,该方法提出多样性峰值损失监督训练关键点提取网络中响应权重分配部分,并通过检测像素偏移量来优化关键点坐标;提出基于自适应调整卷积核采样位置的描述符提取方法,利用稀疏交叉熵损失监督训练网络中描述符匹配。实验结果显示,相比于其他配准方法,该文提出的算法针对高分辨率多视角SAR图像配准效果显著,平均误差降低超过65%,正确匹配点对数提高了3~5倍,运行时间平均缩短50%以上。