海底天然气水合物绞吸式开采绞刀切削力特性

根据绞刀头结构和工作原理以及天然气水合物沉积物的物理特性,建立切削天然气水合物沉积物的有限元模型,运用ANSYS/LS-DYNA仿真软件和Drucker-Prager材料模型模拟绞刀切削海底天然气水合物沉积物的过程,分析绞刀切削过程沿水平、竖直和转轴方向的受力特点,仿真分析绞刀横移速率、转速、下放角和切削区间角对切削力的影响规律。结果表明,增大横移速率会导致绞刀三个方向受力明显增大;转速提高会降低绞刀三个方向的切削力,随着转速增加,绞刀切削力的减小趋于平缓;绞刀下放角的增大会使绞刀轴向受力急剧增加,影响采矿车工作平稳性;随着切削区间角的增大,绞刀X轴方向力先增大后减小,工作时采用较大的切削区间角,可提高切削效率和采矿车工作稳定性。     

基于提升小波与灰色神经网络的光纤陀螺振动误差建模

光纤陀螺在振动环境下的输出具有噪声大、漂移强的特性,必须建立合理的振动误差模型,以便使用精确的算法进行补偿,从而提高光纤陀螺的输出精度。文中首先使用Allan方差分析法分析了某型号的数字闭环光纤陀螺在振动环境下的输出信号,随后利用提升小波分离出了光纤陀螺误差模型中的白噪声及漂移误差,并提出了基于灰色理论和RBF神经网络的漂移误差建模方法。仿真结果表明,相较于传统的RBF神经网络模型,基于提升小波的灰色RBF神经网络的漂移误差建模方法能有效滤除白噪声,并将漂移误差模型的建模精度提高了一倍左右。该方法能够有效提高光纤陀螺在振动环境下的输出精度,对光纤陀螺在振动环境下的误差研究具有重要指导意义。     

用灰色理论和神经网络理论建立陀螺漂移模型初探

本文就灰色理论和神经网络技术在建立陀螺漂移模型上的应用进行了初步探讨；介绍了这两种理论工程应用上的方法和特点以及相关的一些问题。     

基于灰色BP神经网络的陀螺电机状态预测

陀螺电机状态直接影响惯导系统的精度和可靠性,对其进行预测是惯导系统性能评估和寿命预测的重要途径。利用灰色理论的建模预测方法对随机性较大的数据预测精度不高;BP神经网络模型的预测方法具有良好的非线性和自学习能力,但训练效率不高且训练效果受样本数影响较大,网络容易限于局部最小值。针对陀螺电机状态特征参数的特点,本文提出一种基于灰色BP神经网络的混合模型。该模型利用BP神经网络对灰色模型误差进行建模,模型输出返回灰色模型进行输入修正。利用灰色理论、BP神经网络以及混合模型对状态特征参数进行建模和预测,结果表明,混合模型的预测误差比灰色模型减小了约2／3,比神经网络减小了约1／3,证明了该模型的有效性。     

图像边缘检测技术综述

介绍了经典的边缘检测算子和近年来出现的新的边缘检测方法,并对其性能和算法特点进行了分析。分析结果表明,图像边缘检测是一个非良态问题,寻求算法较简单、能较好解决边缘检测精度与抗噪性能协调问题的算法一直是图像处理与分析的研究重点,许多工作有待进一步探讨。     

干涉型光纤陀螺仪零漂建模方法

光纤陀螺仪零漂是衡量光纤陀螺仪精度的重要指标。文中对某光纤陀螺仪的零偏数据进行分析和预处理,采用时间序列分析法建立了AR（2）模型,同时基于BP神经网络建立了预测模型。建模结果分析表明：AR建模方法简单易行,但适用性不如BP网络模型,BP网络模型建模精度高,但算法复杂且收敛速度慢,容易陷入局部极小,因此采用了改进训练方法,改善了BP网络性能。     

贝叶斯神经网络建模预测方法及其应用

针对神经网络建模时,其模型的复杂性难以控制而且缺乏分析结果的工具,以及贝叶斯方法可以通过定义一些超参数的模糊先验来控制模型参数复杂性,并且可对任何感兴趣的变量产生后验预测分布,使得置信区间的计算成为可能.研究了贝叶斯神经网络的建模预测问题,通过融入模型参数的先验知识,在给定数据样本及模型假设下进行后验概率的贝叶斯推理,使用马尔可夫链蒙特卡罗算法来优化模型控制参参数,实现了对神经网络模型中不同部分复杂度的控制,获得了模型参数的后验分布及预测分布.通过动调陀螺仪漂移数据建模应用分析结果证明此方法可以达到较好的建模预测效果.     

基于灰色理论的两点爆炸起爆参数优化设计

针对混凝土两点爆炸起爆参数选择问题, 提出了一种基于灰色理论的参数优化方法。通过正交试验方法设计试验方案, 运用AUTODYN软件进行了不同起爆参数组合条件下的静爆试验, 计算了起爆参数与爆坑直径、爆坑深度的关联系数和关联度, 进行了单目标因素优化和多目标因素优化, 确定了一组各因素的优选组合, 并进行了试验验证。验证结果表明:采用优化的起爆参数时, 爆坑直径增大(4~42)%, 左爆坑深度增大(0~29)%, 右爆坑深度增大(0~32)%, 两点爆炸混凝土靶体的毁伤效果得到明显改善。     

冲击地压时列建模的进化神经网络方法

考虑到冲击地压时序的特点,采用基于免疫进化规划的进化神经网络进行了冲击地压非线性系统的建模研究。并采用一个矿山实测得到的震级数列进行了进化神经网络方法的实用性验证,结果表明,进化神经网络不但模型拟合精度高,而且预测性能也较好。     

基于灰色模型的混合建模预测方法及其应用

针对陀螺仪寿命预测的特点,提出了一种基于灰色模型的混合建模预测方法。为了提高一阶灰色模型GM（1,1）的建模能力,此模型引入了小波变换。首先小波变换对实测的动力调谐陀螺（DTG）漂移数据进行预处理以减少干扰噪声,接着处理后的数据被用来建立灰色模型。来自于长期测量的DTG的漂移数据的实验结果证明了文中所提混合策略的有效性。并且为了进行比较,对神经网络建模方法进行了相应的研究,结果表明当小波变换被引入到混合模型中,此基于灰色模型的混合建模预测方法具有令人满意的性能,为陀螺仪的寿命预测提供了借鉴和参考。     

基于ANN 的碳纤维楠竹锚杆锚固力预测研究

为减小对文物本体的破坏,本文基于新疆某土遗址加固保护中碳纤维楠竹锚杆锚固力原位测试试验,考虑锚杆直径、长度、倾斜角以及灌浆体强度、孔径、碳纤维缠绕间距等锚固力影响因素,利用人工神经网络(artificial neural network, ANN) 的误差反向传播(back propagation, BP) 算法及MATLAB 人工神经网络工具箱,建立了锚固力预测的智能模型;并以原位测试所得的数据为学习样本和检验样本,验证了该方法的适用性和可行性. 将训练好的网络模型进行扩展计算,基于L25(56) 正交表试验理论分析了锚固力对各影响因素的敏感性,为同类加固工程的实际应用提供参考依据.     

基于神经网络技术的乘波体优化设计

乘波体是高超声速飞行器的主要组成部分,也是飞行器产生升力的主要部分. 针对基 于计算流体动力学(CFD)分析的乘波体优化设计问题,引入人工神经元网络响应面方法. 选 取一定数量的乘波体外形,进行气动性能分析后,利用乘波体的外形控制参数和气动参数做 为训练样本对乘波体进行训练. 利用这些训练样本对人工神经网络进行训练. 在优化计算中 以充分训练的神经网络替代CFD分析,发展了一种基于神经网络技术的乘波体优化设计方法. 利用该方法在马赫数6、雷诺数7\times 10^6条件下,分别对乘波体进行了最大升阻比的单目标和综 合考虑升阻比、容积及表面积的多目标优化. 计算结果表明,采用神经网络响应面技术可在 保证计算稳定性的条件下有效提高计算效率.