基于粒子群算法(PSO)的人员疏散动力学模型

基于粒子群算法思想,建立紧急情况下公共场馆人员疏散的动力学模型.该模型考虑人员之间的相互作用,依据人员实时局部密度的变化改变个体的最大速度以及保有区域尺寸,具有时空非均匀的特点.定义个体冲量以及受伤冲量阈值,考虑人员受伤对疏散过程的影响,同时还比较了多出口疏散与单出口疏散的特点和效率.算例结果表明,疏散结果与元胞自动机模型相似,理想化更新流程的结果小于其他疏散模型的结果.

预测结构性能退化的混合粒子滤波方法

由于载荷,环境以及材料内部因素的作用,结构的性能一般随时间而逐渐退化.为了评估结构服役期间的状态,常采用随机变量模型来描述结构性能的退化规律.即,采用含不确定性模型参数的物理模型来逼近结构响应特性.利用同类型结构的先知数据集信息可确定模型参数的先验分布.结合结构服役期间的检测信息和贝叶斯原理,对模型参数进行更新,从而提高物理模型的准确性.本文提出一种混合粒子滤波方法 (particle filterdifferential evolution adaptive Metropolis,PF-DREAM)用于模型更新,即:在确定参数先验分布时,采用证据理论(Dempster-shafer theory,DST)初始化模型参数;结合差分进化自适应Metropolis算法(differential evolution adaptive Metropolis,DREAM)和粒子滤波(particle filter,PF)算法,来计算更新公式中的复杂的高维积分.相比于传统的PF算法,混合PF-DREAM方法可以有效提高样本粒子的多样性,解决重采样算法中粒子多样性匮乏的问题,从而得到更加合理的物理模型.为了证明该方法的有效性,将提出的方法分别应用于电池性能退化和裂纹扩展规律预测.算例表明采用本文提出的模型参数确定方法,使得物理模型更加合理,性能预测更加准确.用于更新的数据越多,模型参数的分散性越小.本文方法应用于高维问题或隐式函数问题时,计算原理和步骤不发生改变,但函数评价次数和计算时间会随之增大.

基于MFCC的汽车敲击异响识别

现阶段,汽车异响的诊断主要依赖有经验的工程师进行主观评判,存在不准确、易错判、易漏判的问题。针对汽车敲击异响实测信号进行统计分析得到梅尔倒谱系数(Mel frequency cepstrum coefficient,MFCC),并以此作为表征异响来源的特征向量,基于最大似然估计法构建其联合概率分布高斯混合模型(Gaussian mixture model,GMM),从而针对未知实测异响信号可利用该GMM模型进行似然判别。指出了说话人识别技术与敲击异响识别的不同之处即Mel三角滤波器个数和离散余弦变换输出系数个数的选取方式,并对方法的可行性进行分析,最后试验加以验证。结果显示此方法的识别率达100%,拒绝率达100%以上,为汽车异响的客观评价方法打下基础。