阀门气动噪声的振声转化计算方法

采用振动与噪声转化的方法计算气体流经阀门产生的管内气动噪声。通过推导管壁振动与管内噪声的计算公式,建立了管壁振动加速度级与管内噪声级之间的转换损失数理模型,并在低频区域,通过修正的频率因子,扩展了转换损失适用的频率范围,实现了通过阀门管内气动噪声的无损伤预测。利用实验对计算模型和方法进行了验证,结果表明,预测总声级的最大误差为0.98%,在整个频域内大约有69.3%⁷8.3%的数据预测误差在±5 dB以内,因而具有较高的精度,为阀门气动噪声的计算和分析提供了新的方法。     

自适应多保真数据融合的神经网络模型

数据驱动的深度学习建模在力学、材料等不同学科中得到了较多应用。深度学习建模的精度依赖大量高保真数据。在实际应用中,高保真数据往往是少量且昂贵的,而低保真数据却是成本低廉且数量较多的。当高保真数据量过少时,深度学习建模精度较低。近期发展的多保真深度神经网络, 通过融合不同保真度的数据,在高保真数据较少时,依然保持了较高的建模精度。然而,已有的多保真深度神经网络模型的精度较为依赖针对模型参数的正则化调节。当添加的正则化过强时,网络对非线性关联式的拟合能力不足;当添加的正则化强度不够时,在学习多保真数据间的线性关联关系时又会出现过拟合现象。两者都会严重影响模型的预测精度。在缺乏高保真验证数据集时,较难得到最优的正则化系数。为此,通过改进已有多保真网络模型的损失函数,引入一个与线性关联式相关的参数,提出了自适应多保真数据融合的神经网络模型。该模型能根据给定数据自适应地拟合不同保真度数据间的线性或非线性关系,对正则化依赖较小,从而提高了建模的鲁棒性。在多个标准测试案例及实际应用的翼型气动参数的预测中,该模型均能表现出较高的精度和稳定性。

     

上下并联轴流风机室外机气动声学预测模型

本文基于CFD模拟方法,分析了空调器室外机上下并联轴流风机系统噪声源分布,建立了室外机气动声学预测方法.研究发现,上下并联轴流风机系统由宽频和离散频率噪声组成,宽频噪声是影响室外机噪声总声压级的重要因素.涡声分析表明,涡脱落噪声是宽频噪声的主要影响因素.基于CFD的叶片尾缘涡脱落噪声预测方法计算得到宽频声压误差为2 dB,考虑离散频率影响时,室外机A计权总声压级预测误差小于2 dBA.基于CFD的点源时域预测模型,捕捉到了上下并联轴流风机系统的离散频率噪声峰值,且在上下叶轮前二阶谐波处预测值与实验值吻合较好.     

开式轴流风扇气动噪声预测

本文采用LES/FW-H的匹配方法,研究了开式轴流风扇内部旋涡流动特征及其与叶片表面干涉引起的气动噪声之间的联系,同时进行了远场噪声预测,探讨了叶轮不同表面辐射噪声时的频谱分布特征.研究结果表明,开式轴流风扇吸力面附近形成的叶尖涡和前缘分离涡在吸力面叶片表面相应位置形成大压力波动,形成主要噪声源;叶片吸力面的辐射噪声可以通过改善吸力面附近的旋涡流动来降低;低速轴流叶轮由叶轮壁面辐射的噪声以宽频成分为主.     

基于两级通流模式的贯流风扇气动噪声模型

贯流风扇独特的流动形态导致主流并非发生于部分流道,根据其内流特点,本文提出了两级通流模式。在离心风扇及轴流风扇气动噪声模型基础之上,同时考虑风扇的具体几何尺寸,运行情况,及蜗壳的存在对噪声传播的影响,提出了贯流风扇叶轮气动噪声的预估模型。试验结果验证了该模型的可靠性,在低转速1100r/min以下时可以较好地预测贯流风扇的气动噪声总声压级,在较高转速时,存在一定的误差。     

Neural Networks in Which Synaptic Patterns Fluctuate with Time

We study a stochastic neural-network model in which neurons and synapses change with a priori probability p and 1–p, respectively, in the limit p0. This implies neuron activity competing with fast fluctuations of the synaptic connections—in fact, random oscillations around values given by a learning (for example, Hebb's) rule. The consequences for the system performance of a dynamics constantly checking at random the set of memorized patterns is thus studied both analytically and numerically. We describe various nonequilibrium phase transitions whose nature depends on the properties of fluctuations. We find, in particular, that under rather general conditions locally stable mixture states do not occur, and pattern recognition and retrieval processes are substantially improved for some classes of synaptic fluctuations.     

深浅层特征及模型融合的说话人识别

为了进一步提高说话人识别系统的性能,提出基于深、浅层特征融合及基于I-Vector的模型融合的说话人识别。基于深、浅层特征融合的方法充分考虑不同层级特征之间的互补性,通过深、浅层特征的融合,更加全面地描述说话人信息;基于I-Vector模型融合的方法融合不同说话人识别系统提取的I-Vector特征后进行距离计算,在系统的整体结构上综合了不同说话人识别系统的优势。通过利用CASIA南北方言语料库进行测试,以等错误率为衡量指标,相比基线系统,基于深、浅层特征融合的说话人识别其等错误率相对下降了54.8%,基于I-Vector的模型融合的方法其等错误率相对下降了69.5%。实验结果表明,深、浅层特征及模型融合的方法是有效的。     

Dynamical Phase Transition in a Neural Network Model with Noise: An Exact Solution

The dynamical organization in the presence of noise of a Boolean neural network with random connections is analyzed. For low levels of noise, the system reaches a stationary state in which the majority of its elements acquire the same value. It is shown that, under very general conditions, there exists a critical value _c of the noise, below which the network remains organized and above which it behaves randomly. The existence and nature of the phase transition are computed analytically, showing that the critical exponent is 1/2. The dependence of _c on the parameters of the network is obtained. These results are then compared with two numerical realizations of the network.     

基于数据同化方法修正RBF神经网络的高维气动力建模预测

通过数据同化方法修正径向基函数(radial basis function,RBF)神经网络,以提高高维气动力的建模精度。通过在传统RBF神经网络的核函数中引修正量γ,使用EnKF滤波数据同化算法修正该矫正因子,并将其应用于CRA309旋翼翼型的高维气动力建模预测中。结果发现数据同化方法采用非侵入的方式,在不破坏神经网络整体架构的情况下仅对核函数的矫正因子进行修正,大幅减少优化参数与变量,显著提升了RBF神经网络的建模精度和效率。将修正后的RBF神经网络模型应用于高维气动力建模中,用仿真数据替代对气动力参数进行预测。设计结果验证了预测模型的可行性,在风洞试验数据较少的情况下对提高试验数据的利用效率具有一定的工程实用价值。

     

基于混沌理论的太阳黑子数平滑月均值预报

太阳黑子活动长期预报对航天、通讯、防灾等具有重要的指导意义. 针对加权一阶局域法在多步预测时存在累积误差效应, 建立了基于相空间重构技术的径向基函数神经网络预测模型. 用该模型对第22, 23 太阳周黑子数平滑月均值进行逐月预报, 并与实测值进行比较. 结果表明, 预报的绝对误差可以控制在15.00 以内, 平均绝对误差分别为5.47, 2.83, 相对误差控制在15.00%以内, 平均相对误差分别为5.45%, 4.60%, 验证了该模型在预测太阳黑子数时具有较高的精度. 将该预测模型用于第24 太阳周黑子数平滑月均值预报, 做出了自2009 年1月到2019年12月共132 个月的黑子数平滑月均值的预报, 指出黑子数平滑月均值的最大值为104.77, 将出现的时间为2013年1月.     

襟翼侧缘噪声机理及修型降噪设计

襟翼侧缘噪声是飞机起降阶段机体噪声的重要噪声源。采用极大涡模拟对襟翼侧缘非定常流场进行数值模拟,分析其噪声产生机理.基于此,提出了两种襟翼侧缘修型方式,应用虚拟渗透面的Ffowcs Williams and Hawkings(FW-H)声比拟方法将修型构型的远场噪声频谱特性和指向性与基准构型对比分析,研究其降噪效果。通过流场和声场的数值模拟表明,襟翼侧缘噪声属于宽频噪声。不同的襟翼侧缘形状改变了流场形态、侧缘涡结构以及涡系的发展过程,进而对声源分布和远场噪声特性产生影响。结果表明:在给定的5°计算迎角下,两种襟翼侧缘修型方式在保证增升装置的原有升阻气动特性的前提下,能达到减小全场总声压级1~2 dB的降噪效果。     

基于灰色神经网络模型的企业碳排放峰值预测

为预测企业碳排放峰值,帮助企业设计碳排放的减排路径,需要对企业碳排放峰值预测方法进行研究。当前采用基于TFDI模型的预测模型对企业碳排放峰值进行预测,预测过程中无法全面考虑企业碳排放影响因素,导致预测企业碳排放峰值出现误差。为此,提出一种基于灰色神经网络模型的企业碳排放峰值预测模型。该模型是以灰色模型为基础,与神经网络相融合构建的灰色神经网络,将模型中企业碳排放原数据进行叠加,并用微分方程表示,将VSTE算法作为灰色神经网络模型预测的基础算法,计算企业碳排放路径碳排放值,满足高斯分布随机函数,以此进行企业碳排放峰值的预测。实验结果证明,所提模型可以准确预测企业碳排放峰值,有效帮助企业设计碳排放减排路径。     

储备池状态空间重构与混沌时间序列预测

分析了现有的基于回声状态网络(ESN)的迭代预测方法,指出了该方法在理论上存在的问题以及应用中存在的障碍.提出了一种基于储备池的直接预测方法,该方法利用预测原点和预测时域之间的关系直接构建预测器,因此可以预先对预测器的稳定性施加约束,从而避免了在迭代预测方法中由于网络回路闭合而产生的稳定性问题.在仿真中,首先以Lorenz时间序列为例分析了迭代预测方法在闭合回路前后储备池的变化情况,然后通过Mackey-Glass标杆问题的测试验证了直接预测方法的可行性.     

开孔结构流致噪声的数值模拟和机理分析

飞机机体表面的开孔设计会形成空腔结构,产生空腔流致噪声。空腔噪声的控制需要彻底认识其流动和噪声机理。以飞机的功能性开孔为例,通过半经验公式分析了其空腔噪声频率随速度的变化规律,预测了出现流声共振的工况。空腔发生流声共振时,特定频率的纯音噪声会被放大。为此,采用脱体涡模拟方法开展了开孔结构流声共振的三维非定常数值计算,分析了其流场和声场特性。其中,数值方法的准确性通过圆形空腔标模计算进行验证。结果表明,在一定速度下剪切层内的扰动将诱发空腔深度方向声模态,出现流声共振现象。此时,剪切层表现为强烈的周期性上下拍动,空腔底部和后缘区域的局部压力脉动幅值较大,声波主要由空腔后缘向上游方向辐射,上游噪声大于下游。     

基于LSSVM和RFID的智能门禁身份认证系统设计

针对目前已有的基于RFID的身份识别系统,往往仅从系统角度来设计系统,没有和计算机视觉技术结合,从而无法进一步提高安全性能。为了解决此问题,文中设计了一种基于LSSVM(Least Square Support Vector Machine, LSSVM)和RFID(Radio Frequency Identification, RFID)的智能门禁身份认证系统。首先,设计了系统总体框架并描述了身份认证原理。然后,对系统的RFID子系统,微处理器和接口均进行了详细设计和描述,在此基础上,将计算机视觉技术加入到识别过程中,采用多层RBM组成的深度神经网络对人脸进行自动特征提取,通过比较差异算法训练深度神经网络,最后,根据RFID标签和提出的人脸特征,采用多个LSSVM进行人脸识别,并将投票结果作为最终识别结果。通过部署实验进行测试,结果证明文中设计的系统能实时有效地对智能门禁进行身份认证,与其它方法相比,具有识别率高和识别效率高的优点,具有较大的优越性。     

车辆天窗气动噪声的数值分析与实验研究

本文从汽车天窗气动噪声的机理入手,利用与实车几何尺寸为1:5的简化模型进行了空腔绕流的数值计算,分析了其流场结构及气动噪声产生的原因.在低速静音风洞中进行了不同流速下的流场和声场实验研究,研究了天窗不同位置的速度剪切层变化,以及不同流速下的声压级变化,发现了除了特征频率下的风振噪声,还存在较大频率范围的气动噪声,其随着...