基于改进Harris函数的砂岩损伤本构模型研究

岩石损伤量在岩石损伤的过程中是个动态变化量,通过改进Harris函数,建立了在三维应力作用下岩石损伤本构模型,并通过砂岩的三轴试验确定了模型参数,定性分析了围压、临界损伤值、峰值应变三者间的关系。研究结果表明:1基于改进的Harris函数所建立的砂岩损伤本构模型曲线与实测曲线拟合较好,有良好的适用性;2同一种岩石在不同围压下,临界损伤值不是固定值,它从侧面反映出岩石自身的力学性能与岩石所处的三维应力状态有关;3围压增大,临界损伤值也相应地增大,证明围压对岩石的破坏有抑制作用。分析结果对研究三维应力状态下岩石的损伤破坏机理有一定借鉴意义。

基于改进Harris函数的岩石统计损伤软化模型

为了反映岩石变形全过程,通过改进Harris函数,假设岩石微元强度服从改进的Harris概率密度分布,结合连续损伤理论,考虑损伤变量修正,建立岩石统计损伤软化模型。采用YSJ-01-00岩石三轴流变试验机进行红层泥岩常规三轴压缩试验,基于红层泥岩试验数据对模型参数进行敏感性分析,阐述模型参数的物理意义,分析累积损伤的扩展过程。引用相关文献中二长花岗岩和砂岩的试验数据,利用本文模型对3种岩石材料的试验数据进行辨识验证,给出初始损伤系数的约束范围,对比3种岩石材料的试验曲线和理论曲线,证明本文模型的合理性和适用性。

基于改进Harris函数的黏土分数阶统计损伤模型

以成都黏土背景,展开三轴剪切试验,结果表明:黏土应力应变关系为应变硬化型。以分数阶微积分理论为基础,考虑黏土加载初期土体性质的增强,及加载过程中的结构损伤问题,建立了基于应变硬化的分数阶损伤模型。考虑黏土损伤贯通变形全过程,引入改进的Harris函数,并假设损伤系数服从该函数的概率密度分布,黏土微元体服从DP3准则,构建了描述黏土应变硬化全过程的分数阶统计损伤模型。通过成都黏土和红黏土的试验数据,对本文模型进行拟合验证,发现数据与模型的拟合度高,拟合参数规律明确;通过对模型参数规律的分析,明确了各参数的工程意义及取值范围,表明了本文模型的科学合理性及先进性。

基于改进Harris函数的岩石蠕变损伤模型及二次开发

针对水电工程中岩石蠕变变形现象,以泥岩为例,开展三轴压缩蠕变试验。基于蠕变试验结果,引入Harris函数,建立一种新的蠕变损伤演化方程。引入一个非线性粘塑性体,与Burgers模型串联并进行损伤演化,从而建立一个新的非线性粘弹塑性蠕变损伤模型。对该模型的三维差分形式进行推导,在FLAC3D平台上利用C++和FISH编程进行二次开发,实现该蠕变损伤本构模型的自定义。利用数学优化软件1stOpt求取模型参数,将该自定义模型及参数应用于三轴压缩蠕变试验的模拟,还原实际试验条件,对比试验数据和模拟值,验证该损伤本构模型的合理性及模型参数的正确性。研究结果可为岩石蠕变损伤本构模型的构建及类似蠕变本构模型的二次开发提供参考。

基于低风速功率修正和损失函数改进的超短期风电功率预测

风电功率具有较强的波动性和随机性。为进一步提升风电功率的预测精度,提出一种基于低风速功率修正和损失函数改进的超短期风电功率预测模型。该模型采用卷积神经网络、自注意力机制和双向门控循环单元捕获风电功率序列的长期时序依赖关系。为了解决低风速下待风状态神经网络难以精确拟合的问题,模型通过预测风速并结合当前时段的风电功率对低风速段的预测功率进行修正。针对参数训练的稳定性问题,模型通过改进预测策略和共享权重,引入一种多元非线性的损失函数来提取序列间的关联性。结果表明,所提模型在多项误差指标中均优于对比模型,能够有效提升超短期风电功率的预测效果。

基于改进小波阈值函数和全尺度Retinex的红外图像融合增强算法

针对现有红外图像增强算法存在信噪比低、细节模糊、清晰度差等问题,本文提出基于改进小波阈值函数和全尺度Retinex的红外图像融合增强算法。首先,为克服尺度参数固定和光线散射导致红外图像退化的问题,利用大气透射率得到Retinex尺度参数的全尺度映射图,从而有效提高图像的清晰度,并将输入图像和使用全尺度Retinex处理后的输入图像作为算法的第一个输入和第二个输入。其次,为解决传统小波阈值函数在图像降噪过程中存在伪影、细节丢失等问题,设计改进小波阈值函数,通过引入尺度因子,在计算每层高频子图小波系数后,能根据该层数自适应调整尺度因子,并引入调节因子,结合指数函数,使该函数不仅能抑制高频子图噪声,还能极大程度保留细节信息。然后,使用小波图像融合的方式融合输入的高频子图和低频子图,进一步提高输出图像的纹理细节。主客观仿真结果表明,所提算法比其它对比算法具有更好的降噪和细节突出能力,并能提高红外图像的人眼视觉效果。最后,本文算法应用于红外成像模块采集的红外图像增强,效果良好,表明本文方法具有实用性。

激活函数在CNN模型中改进算法的研究

CNN,即卷积神经网络算法,是深度学习研究领域的重要分支,尤其是在图像识别领域,其已成为最为热门的研究对象。文章以图像识别为研究基础,先阐述卷积神经网络在图像识别中的进展,然后研究深度学习图像目标识别的传统算法,并在目标定位、特征提取、分类方法等方面与传统的目标识别算法进行了比较。在以上研究基础上,提出了一种新的卷积神经网络压缩激活函数模型,通过改进的CNN模型对卷积神经网络的结构进行了部分优化。实验验证了该模型的有效性,不仅降低了错误率,还大大减少了网络参数的数量,具有更强的学习能力。

四川盆地及邻区地壳分层结构研究——基于接收函数改进的序贯H-κ叠加方法的约束

接收函数H-κ叠加方法已被广泛应用于单个台站下方地壳结构的研究中.为探测盆地的沉积层和结晶地壳结构,一些研究提出了序贯H-κ叠加方法.但在实际应用中,往往需要人工区分存在沉积层的台站和基岩台站,分别应用序贯H-κ叠加和常规H-κ叠加方法.这种处理方式效率相对要低.为了克服这一局限性,本文对序贯H-κ叠加方法进行了一些改进,理论测试分析表明,该方法能够同时适用于单层和双层地壳模型,易于对大批量数据进行快速分析.其次,本文利用四川盆地及邻区近7年来的区域固定台站资料,以及威远地区布设的流动台网数据,基于改进的序贯H-κ叠加方法,对研究区地壳内部分层结构进行了研究.结果显示,盆地中北部地区沉积层厚度为4.6~6.7 km,平均V_(P)/V_(S)值约1.9~2.9.盆地南部一些台站下方观测到了康拉德界面,埋深约21~25 km,进而估算上地壳占整个地壳厚度的比例约56%.研究还发现,龙门山断裂带两侧地壳厚度变化明显,且断裂带南段地壳平均V_(P)/V_(S)值略高.此外,华蓥山断裂带局部地区下方呈现双Moho结构.

基于改进权函数距离的机器人运动偏差补偿算法设计

针对机器人在组装和生产过程中,由于几何参数存在一定误差,使连杆以及关节处等不可避免地出现细微差别,对机器人运动精度产生一定影响问题,提出了基于改进权函数距离的机器人运动偏差补偿算法设计方案。在定位机器人位置前添加扭角,获取机器人两坐标系间转换矩阵,根据线性标定计算机器人运动定位的绝对误差,利用改进权函数建立机器人距离误差数学模型,初步补偿运动误差。计算机器人末端执行器中心点位置和姿态的偏差,将补偿问题转化成机器人运动优化问题,得出运动偏差优化问题目标函数,经多次迭代得出最终补偿结果。实验结果表明,所提方法的误差补偿效果佳,重心补偿后的机器人运行稳定性好。

基于改进差动电流函数的柔直配电线路保护原理

针对纵差保护辨识高阻故障困难,且易受噪声、区外短路和异常数据等因素干扰的问题,提出基于改进差动电流函数的柔直配电线路保护原理。改进差动电流函数放大了区内外短路暂态特征差异,有利于高阻故障识别,同时也避免了区外故障对保护可靠性的影响;基于Same卷积的Hausdorff距离算法可有效抑制异常数据干扰,最终通过两者配合实现故障区域和故障类型辨识。PSCAD/EMTDC仿真验证表明,所提保护能有效识别直流线路短路,不受过渡电阻、噪声和异常数据等因素影响,适用于含多类型换流器和分布式可再生能源电源的柔直配电网。

基于改进阈值函数的直埋供热管网检漏研究

为提高声波法直埋热水供热管网泄漏应用的定位精度,在分析各种小波法阈值函数适用性的基础上,提出了改进阈值函数降噪方法,该方法理论上能够克服软阈值函数的恒定偏差和硬阈值函数信号振荡的缺点,设置调节参数,提升降噪能力,保留小于阈值点区域信号,避免有效信号丢失。在大型直埋热水循环管网中进行泄漏测试实验,研究表明采用本方法进行声波法直埋供热管道泄漏检测,可实现泄漏定位误差在±1 m内,定位精度可达0.11%~3.49%,最后选择北京市供热系统中实际工程案例,采用本方法进行声波法泄漏检测,泄漏定位误差为0.37%~0.66%,定位精度提升。

Copula函数在水库枯水期径流预测的改进研究

为提高中型水库枯水期径流预测精度,引入改进的Copula函数,选取辽宁省2座中型水库为研究实例,对其枯水期径流预测的精度进行对比。结果表明:改进后的Copula函数引入变量概率密度,对函数变量进行优化后,可提升求解精度,相比于改进前,各中型水库枯水期径流年尺度径流预测相对误差分别降低12.6%和13.7%,月尺度径流预测误差分别降低10.9%和11.8%。研究成果对于中型水库枯水期径流预测精度提高具有参考价值。

一种改进的小波阈值函数降噪方法

信号降噪中传统阈值函数降噪存在局部震荡、边缘模糊等问题。近年来一些学者对阈值函数进行研究改进一定程度上消除了传统软硬阈值函数恒定偏差和伪吉布斯现象等问题,但许多改进阈值函数都不具有高阶可微性致使数据降噪后不够平滑。本文基于传统阈值函数及一些相关学者研究对阈值函数进行改进,加入双参数模型让阈值函数调节时更具有灵活性,参数在一定范围内选取具有高阶可微性。基于仿真实验对传统阈值函数、一些学者改进的阈值函数与本文改进的阈值函数对比分析可知改进的阈值函数信噪比和均方差都有一定程度的提升。

一种改进的Harris角点提取算法

针对Harris角点检测算法对T型和斜T型角点存在定位不准确以及运算速度慢的问题,提出了一种改进算法。改进算法计算目标像素点的8邻域范围内与之灰度相似的点的数目,然后对目标像素点周围其他像素点按同样方法处理,并对得到的计算数据进行比较,分析出局部范围内的像素点的灰度值分布。根据比较结果,从中遴选出部分像素点作为下一步角点检测的计算对象,并计算其角点响应函数值,如果角点响应函数值大于设定的阈值,该点则会被确定为最终的角点。实验结果表明:改进算法的角点检测时间仅为原算法的14.3%,并实现了对T、斜T型角点准确定位,提高了Harris角点检测算法的检测效率和精度。

基于改进的连续局部枚举采样和径向基函数响应面法的变压器静电环结构优化设计

变压器的安全稳定运行与其内部绝缘结构密切相关,为了提高变压器的绝缘性能,该文以提高最小绝缘裕度为优化目标,通过径向基函数响应面模型优化变压器主绝缘结构。为提高响应面模型预测优化的准确性,选用采样更均匀改进的连续局部枚举(ELSE)方法进行试验设计,优化后的变压器最小绝缘裕度比优化前提高了12.56%。将优化结果分别从采样、模型和优化方法三个角度进行对比,与拉丁超立方采样(LHS)采样下的径向基函数响应面模型对比,ESLE方法的引入使得优化精度提高到218倍;与ESLE采样下的二次多项式响应面模型对比,径向基函数响应面模型的引入降低了模型预测误差,并使优化精度提高到78倍;与遗传算法对比,在相同的优化精度下,优化效率是遗传算法的10倍。上述结果表明,该优化模型具有很高的预测精度和优化能力,同时相比于遗传算法优化,在保证优化质量的同时,显著地提高了优化效率。该文所提出的方法为变压器主绝缘结构优化问题提供了较好的解决方案。

基于B样条的改进型Harris角点检测算法

在研究Harris角点检测算法时发现由于该算法采用高斯低通滤波进行平滑,因而对一些图像进行角点提取时,存在角点信息丢失和位置偏移等现象,而B样条函数可以收敛于高斯函数,并具有良好的逼近能力和紧支性等一些优秀的性质,从而基于B样条函数提出了一种改进的Harris角点提取方法。实验表明,该方法对提取角点非常有效。

改进Harris-SIFT算法在双目立体视觉中的应用

针对双目立体视觉图像匹配的实时性问题,提出了一种改进Harris-SIFT算法,克服了原SIFT算法提取的特征点不是角点且耗时长等问题。该算法首先用改进Harris算子进行角点提取,然后用SIFT算子构建特征描述子,最后对提取的特征点采用欧氏距离度量点对的相似性,利用最近邻搜索策略进行特征匹配。在VC++6.0与Open CV平台上,通过实验比较了所提算法与SIFT算法的特征点提取匹配结果,证明了所提算法的有效性与实时性。

初值修正和函数变换的改进灰色模型在管道腐蚀深度预测中的应用

为了准确预测管道的腐蚀深度,借助灰色理论建立了改进GM(1,1)模型。针对传统灰色模型的不足,引入反双曲正弦函数变换方法建立了改进模型一,并在此基础上提出了一种基于初值修正结合反双曲正弦函数变换的改进模型二,通过实例对比分析了改进模型和传统模型预测管道腐蚀深度所得结果的差异。室内试验测试数据和实际管道检测数据的计算结果表明:传统模型预测所得的平均相对误差(分别为5.300%和13.617%)均较大,因此模型的精度较差;改进模型一预测所得的平均相对误差分别为2.345%和2.639%,其预测精度较传统模型有大幅度的提高,因此该模型适用于腐蚀深度的准确预测;对改进模型一采用初值优化方法后,所得改进模型二的预测精度进一步提高,其提高的程度较为有限;总体来看,所建改进模型能够满足管道腐蚀深度预测的精度要求,具有较强的推广应用价值。

基于改进Harris算法的高分辨率遥感影像建筑物角点检测研究

高分辨率影像具有空间分辨率高、光谱分辨率相对不足的特点,在多领域中具有广阔的应用前景。利用Google Earth高分辨率遥感影像作为数据源,对其红、绿、蓝通道图像,以及三通道取平均的全色通道图像进行建筑物角点检测,并根据建筑物在影像上具有几何角点的特点,对Harris算法的一阶梯度算子进行4种方向上的改进。对Google Earth的红、绿、蓝、全色4种图像进行试验,从4个检测方向上检测并累加,结果表明红色通道的图像检测效果较好。利用4种改进梯度算子进行累加的建筑物角点识别,识别正确率可到74.75%,识别效果较好。结果表明,该方法可以很好地实现高分辨率影像建筑物的角点检测,具有一定的理论研究和实际应用价值,可为建筑物自动识别提供技术参考。

一种改进的多尺度Harris特征点检测方法

多尺度Harris方法检查到的特征点存在很多冗余点,虽然Harris-Laplace方法可以除去一些冗余点,但是还会出现一个局部结构内存在多个特征点的情况或一个特征点代表多个不同尺度的局部结构。为此,提出一种改进的方法,在检测多尺度Harris特征点时进行跟踪分组,使代表同一个局部结构的特征点被分为一组,用归一化的Laplace函数去除冗余点,再利用点的度量值选出最能代表该局部结构的特征点。实验结果证明,该方法能够有效去除冗余点,在模糊和旋转变换时性能优于Harris-Laplace方法,具有尺度不变的特性。