排序方式： 共有5条查询结果，搜索用时 18 毫秒
1
1.
为了对振动主动控制中的作动器进行配置优化,提出一种配置优化方法。以作动器的最大能效比为目标,基于改进的遗传算法完成作动器的配置优化;以某典型飞机模型作为振动主动控制对象,通过作动器配置优化仿真,验证方法的可行性;基于LabVIEW虚拟仪器软件及NI硬件平台,利用共振音响作为振动主动控制的作动器,完成了飞机模型的振动主动控制实验。实验结果表明,利用改进遗传算法进行作动器配置优化,结果合理,在给定控制成本的情况下可以最大限度地提升振动主动控制效果。 相似文献
2.
依据江苏省工程建设标准及墙体实际构造,建立了完善的矩形孔型节能页岩空心砖墙体三维数值计算模型,解决了三维计算中网格协同生成及网格优化等关键技术。对三种不同孔型砖墙体进行计算并获得了满意结果,在此基础上分析了墙体中三维传热过程及特点,对比了不同孔型时传热性能的差异,确定了墙体保温材料的适宜厚度。 相似文献
3.
建立了弹性板-壳-声腔耦合模型,研究弹性板(壳)结构振动与声场耦合的特性,基于板壳振动微分方程,利用模态叠加法求解位移响应,分析结构与声场耦合之后,弹性板-壳-声腔结构的振动产生的声辐射,分别推导弹性板以及圆柱壳受到外载荷作用情况下振动产生声辐射指定外场点的声压级公式;然后根据点源组合原理,探讨有源力噪声控制,并给出算例予以验证。 相似文献
4.
传统的板栗分级方法主要依靠人工或机械的多级振动筛，不仅分级准确率低而且容易把坏的板栗分成好的板栗。针对传统板栗分级存在的问题，构建轻量级的卷积神经网络实现高精度的板栗的自动分级。在自然光条件下用小米Note9手机拍摄获取包含优等品、一等品、合格品、虫蛀品和霉烂品板栗的5481幅图像应用于卷积网络模型的训练、验证和测试。在学习ShuffleNet的基础上构建了一个浅层卷积神经网络Shnet-1,Shnet-1由2个卷积模块和4个Shuffle构成的板栗图像特征提取网络。特征提取网络连接板栗分类器，分类器由全局平均池化层、隐含层和输出层组成的多层感知器。为了实现板栗分类的最大精度和最小计算量，对Shnet-1模型的超参数进行了优化。将Shnet-1的分类性能与各种深度学习模型如AlexNet、Mnet-1、ResNet18进行了比较分析。浅层卷积神经网络Shnet-1网络模型应用于板栗分级的准确率达到98.90%，坏的板栗被分为好板栗的比例小于0.5%。Shnet-1的计算量小，板栗图像分类时间为26 ms，其权重仅占488KB的物理存储容量。改进ShuffleNet的卷积神经网络模型Sh... 相似文献
5.
针对槟榔人工分级劳动生产率低、准确率低的问题，开展基于遗传神经网络的机器视觉槟榔分级研究。以4种类别的槟榔图像为研究对象，首先设计一个6层结构的遗传神经网络对槟榔进行分级，虽然分级准确率较高但是网络结构复杂。然后对运用主成分分析法降低图像特征的维数并将遗传神经网络简化为3层结构的方法进行研究。最后用400幅和100幅槟榔图像对这个3层神经网络进行训练和验证，经过调整网络的学习率等参数，训练和验证的准确率达到95%以上。通过神经网络模型测试试验，槟榔正确分级的准确率为90%。数据降维后的三层遗传神经网络能够实现对槟榔的实时分级，为机器分级提供了技术支持。 相似文献
1