基于多维神经网络深度特征融合的鸟鸣识别算法

为了进一步提高夜间迁徙鸟鸣监测的准确率,提出一种基于多维神经网络深度特征融合的鸟鸣识别算法。首先,提取鸟鸣对数尺度的梅尔谱图作为VGG Style模型的训练特征,增强时频谱图的能量分布,通过Mix up数据混合生成虚拟数据以减少模型的过拟合。之后,将预训练的VGG Style作为特征提取器对每一段鸟鸣提取深度特征。鉴于不同维度模型的互补性,该文提出分别使用1维CNN-LSTM、2维VGG Style与3维DenseNet121模型作为特征提取器生成高级特征。对于1维CNN-LSTM,使用小波分解作为池化方法,分别对鸟鸣时、频域进行9层小波分解,生成多层LBP特征以获取更丰富的时频信息。最后,对CNN-LSTM与DenseNet121的全连接层进行优化,减少模型参数,提高实时性。实验结果表明,通过融合多维神经网络的深度特征,使用浅层分类器在含有43种鸟类的CLO-43SD数据集中,获得了93.89%的平衡准确率,相较于最新的Mel-VGG与Subnet-CNN融合模型,平衡准确率提高了7.58%。

45钢椭圆孔板应力集中的应变率效应

含孔板的应力集中问题一直是结构安全评估的重要研究课题。许多学者研究了线弹性孔板在静态载荷下的应力集中问题,包括孔的形状,材料的各向异性和加载方向等因素的影响。然而,当孔板承受动态载荷发生塑性变形时,应力应变关系的非线性和应变率效应会导致应力集中与线弹性结果有明显的不同。因此,基于Johnson-Cook模型,对45号钢含孔板孔边的动态应力集中问题进行了系统的有限元分析。研究结果表明,塑性应力集中系数不仅取决于加载大小(应变)而且还取决于加载速度(应变速率)。给定远端应变1%,在平面应力状态下:圆孔板在应变率·ε∞=20/s下的应力集中系数比应变率·ε∞=0.1/s下的结果高10%;对于形状因子(短轴/长轴)为0.5的椭圆孔板,在应变率·ε∞=20/s下的应力集中系数比应变率·ε∞=0.1/s下的结果高11%。