为研究多重调谐质量阻尼器(Multiple Tuned Mass Damper,MTMD)抑制桥梁单阶涡振的性能,建立桥梁结构-MTMD系统竖弯涡振广义单自由度动力方程,以某大跨度悬索桥为背景进行MTMD减振控制效果和参数优化分析。采用数值方法求解动力方程,获...为研究多重调谐质量阻尼器(Multiple Tuned Mass Damper,MTMD)抑制桥梁单阶涡振的性能,建立桥梁结构-MTMD系统竖弯涡振广义单自由度动力方程,以某大跨度悬索桥为背景进行MTMD减振控制效果和参数优化分析。采用数值方法求解动力方程,获得系统在简谐涡激力下达到稳态谐振时结构的动力放大系数和MTMD对结构的附加模态阻尼比,并与单一频率调谐质量阻尼器(Single Tuned Mass Damper,STMD)的减振控制效果进行对比,然后以附加模态阻尼比为目标对MTMD进行参数优化。结果表明:MTMD比最优参数STMD拥有更宽的控制频带和更好的减振效果,经优化后的MTMD减振性能优于最优参数STMD。实际应用MTMD时,应选择较大广义质量、5~7种频率规格,并根据二者找到无量纲频率范围和各TMD阻尼比的惟一最优取值。展开更多
目前脑电信号(EEG)的抑郁症识别方法主要采用单一特征提取方法,无法覆盖多域特征信息,导致现有模型分类性能不高,因此提出了一种多域特征结合CBAM模型(CNN-BiLSTM-attention mechanism)的抑郁症识别算法。首先利用连续小波变换(CWT)提...目前脑电信号(EEG)的抑郁症识别方法主要采用单一特征提取方法,无法覆盖多域特征信息,导致现有模型分类性能不高,因此提出了一种多域特征结合CBAM模型(CNN-BiLSTM-attention mechanism)的抑郁症识别算法。首先利用连续小波变换(CWT)提取时频域特征,并结合脑电电极空间信息构成2D特征图像,共同保留脑电的空间、时间和频率信息;然后使用卷积神经网络(convolutional neural network,CNN)提取空间和频域特征,再输入双向长短时记忆网络(bidirectional long and short-term memory,BiLSTM)以捕获时间信息;最后结合注意力机制(attention mechanism,AM),对网络提取的多域特征赋予不同的权重,以筛选出更具代表性的抑郁特征,从而提高识别抑郁症的准确性。实验表明,本文提出的基于CBAM模型的抑郁症识别算法在公共数据集上取得了99.10%的准确率,为脑电信号抑郁症识别研究提供了一种有效的新方法。展开更多
文摘为研究多重调谐质量阻尼器(Multiple Tuned Mass Damper,MTMD)抑制桥梁单阶涡振的性能,建立桥梁结构-MTMD系统竖弯涡振广义单自由度动力方程,以某大跨度悬索桥为背景进行MTMD减振控制效果和参数优化分析。采用数值方法求解动力方程,获得系统在简谐涡激力下达到稳态谐振时结构的动力放大系数和MTMD对结构的附加模态阻尼比,并与单一频率调谐质量阻尼器(Single Tuned Mass Damper,STMD)的减振控制效果进行对比,然后以附加模态阻尼比为目标对MTMD进行参数优化。结果表明:MTMD比最优参数STMD拥有更宽的控制频带和更好的减振效果,经优化后的MTMD减振性能优于最优参数STMD。实际应用MTMD时,应选择较大广义质量、5~7种频率规格,并根据二者找到无量纲频率范围和各TMD阻尼比的惟一最优取值。
文摘目前脑电信号(EEG)的抑郁症识别方法主要采用单一特征提取方法,无法覆盖多域特征信息,导致现有模型分类性能不高,因此提出了一种多域特征结合CBAM模型(CNN-BiLSTM-attention mechanism)的抑郁症识别算法。首先利用连续小波变换(CWT)提取时频域特征,并结合脑电电极空间信息构成2D特征图像,共同保留脑电的空间、时间和频率信息;然后使用卷积神经网络(convolutional neural network,CNN)提取空间和频域特征,再输入双向长短时记忆网络(bidirectional long and short-term memory,BiLSTM)以捕获时间信息;最后结合注意力机制(attention mechanism,AM),对网络提取的多域特征赋予不同的权重,以筛选出更具代表性的抑郁特征,从而提高识别抑郁症的准确性。实验表明,本文提出的基于CBAM模型的抑郁症识别算法在公共数据集上取得了99.10%的准确率,为脑电信号抑郁症识别研究提供了一种有效的新方法。