采用滑动平均多元多尺度色散熵的液压泵故障诊断方法

为了提高色散熵的信息提取能力,在兼顾计算效率和效果的前提下,引入多维嵌入重构理论,借鉴滑动平均的思想,更新了传统多尺度算法的粗粒化方式,提出了滑动平均多元多尺度色散熵(moving average multivariate multiscale dispersion entropy,MA_mvMDE)用以提取液压泵故障特征。首先,利用均匀相位经验模态分解(uniform phase empirical mode decomposition,UPEMD)将振动信号分解为多个本征模态分量(intrinsic mode functions,IMF),再采用相关系数法筛选敏感分量,将包含大量故障信息的模态分量作为多通道数据计算其MA_mvMDE值来提取故障特征。接着,采用MCFS方法选择故障敏感特征实现降维。最后,通过随机森林分类器完成故障识别。采用液压泵故障振动数据验证了该方法能够准确诊断不同类型和不同程度的故障。

基于能量法求解力学问题

对于复杂工程问题,有限元法使用不当会导致结果的随机性。为能顺利应用有限元求出工程的最近似解,基于有限元能量法的本质,采用比较分析法研究有限元能量法的选择、位移函数的选取方法并得出在解题时首选级数和满足边条的规律。

缓解下肢肌肉功能增龄性变化的阻力运动方式选择

活动受限通常指日常生活所必需的活动能力受到限制。与老年人行走能力、从椅子起立能力、上楼梯速度等降低以及跌倒率增加明显相关的下肢肌肉功能下降是老年人活动受限的一个重要的决定因素。阻力运动(RE)被认为是一个安全有效的增加老年人肌肉力量和肌肉功率的方法,但是,不同的RE方案对肌肉的力量和收缩速度产生的影响存在差异。笔者通过分析下肢肌肉功能增龄性变化的特点及其生理学基础,以及不同的RE方式缓解下肢肌肉功能增龄性变化的效应,认为缓解下肢肌肉功能增龄性变化的阻力运动方式的选择原则应该以不降低收缩速度的前提下提高肌肉力量为宜。

基于自回归移动平均反转的在线投资组合选择

针对现有均值反转类策略未充分考虑噪声数据、单周期假设和数据的非平稳性等问题,提出了一种基于多周期的高效的在线自回归移动平均反转(OLAR)算法。首先,利用自回归移动平均算法得到了股价预测模型,并经过合理的假设将其转化为自回归模型;然后,结合损失函数和正则项构造出了目标函数,并利用损失函数的二阶信息得到了参数的闭式解;接着,利用在线被动攻击(PA)算法得到了投资组合的闭式更新。理论分析和实验仿真结果表明,与鲁棒中位数反转(RMR)相比,OLAR在NYSE(O)、NYSE(N)、道琼斯工业指数(DJIA)和MSCI数据集上的累积收益分别提高了455.6%,221.5%,11.2%和50.3%;同时,统计检验结果表明,OLAR的表现并不是由随机因素造成的。此外,与RMR和在线滑动平均反转(OLMAR)等算法相比,OLAR获得了最大的年化收益率、夏普比率和Calmar比率;最后,OLAR的运行时间与RMR和OLMAR基本相同,因此也适合大规模的实时应用。

一种基于变尺度积分滑动平均的载荷识别方法

首先,基于积分滑动平均思想构造了变尺度加权积分函数,提出了最小二乘意义下加权积分滑动平均最佳近似响应函数模型。其次,利用形函数方法构造最佳近似载荷模型,组合近似载荷及响应得到实际情况下的Duhamel积分方程,对Duhamel积分离散化得到用于载荷识别的离散线性系统方程。再次,使用正则化方法进行载荷识别。利用正则化方法中最小二乘解构造以正则化参数为自变量的函数,提出了一种选取最优正则化参数的新方法。最后,数值仿真及试验验证将该文提出方法与传统方法进行了比较,结果说明新方法能够得到精度较好的近似稳定解,并且具有较好的抗噪性。

基于视觉的机器人滚动时域位姿估计

针对机器人视觉伺服中的位姿估计问题,提出了一种基于滚动时域优化的位姿估计方法.根据基于位置的视觉伺服结构以及相机投影模型给出了特征点的坐标变换,建立具有特征点丢失下的运动学离散时间模型.采用滚动优化策略,通过最小化位姿误差代价函数设计了最优位姿估计器,并给出了次优滚动时域位姿估计器设计方法以提高计算效率.进一步,证明了最优估计器和次优估计器的估计误差上界收敛.最后,通过仿真对比验证了文章所提算法的有效性和优越性.