针对随机激励下振动系统的减振问题,提出了考虑摩擦与非线性阻尼的混联Ⅱ型惯容非线性能量阱(nonlinear energy sink,简称NES),建立了含新型NES主系统的动力学控制方程。首先,采用蒙特卡洛数值方法,研究了非线性刚度对减振性能的影响,...针对随机激励下振动系统的减振问题,提出了考虑摩擦与非线性阻尼的混联Ⅱ型惯容非线性能量阱(nonlinear energy sink,简称NES),建立了含新型NES主系统的动力学控制方程。首先,采用蒙特卡洛数值方法,研究了非线性刚度对减振性能的影响,当非线性刚度比κ_(21)逐渐增大时,主结构和混联Ⅱ型惯容NES的位移概率密度函数出现了双峰变为单峰,以及速度概率密度函数由单峰变为双峰的随机跳跃现象。主结构的位移概率密度函数对非线性刚度κ_(22)的敏感性比κ_(21)更高,κ_(22)最佳取值区间为200~1 000。其次,研究了噪声强度、阻尼比和惯质比对减振性能的影响,当噪声强度小于0.1或惯质比μ在0.1左右时,惯容NES的减振效果较好。虽然线性阻尼比λ_(1)和非线性阻尼比λ_(21)、λ_(22)增大会导致主结构和混联Ⅱ型惯容NES的概率密度函数出现分岔不稳定现象,但增大非线性阻尼比有助于改善惯容NES的减振性能。最后,采用差分进化法对惯容NES的参数进行了优化。本研究可为受随机激励的振动系统减振研究提供技术参考。展开更多
概率密度演化方法(probability density evolution equation,PDEM)为非线性随机结构的动力响应分析提供了新的途径.通过PDEM获得结构响应概率密度函数(probability density function,PDF)的关键步骤是求解广义概率密度演化方程(generali...概率密度演化方法(probability density evolution equation,PDEM)为非线性随机结构的动力响应分析提供了新的途径.通过PDEM获得结构响应概率密度函数(probability density function,PDF)的关键步骤是求解广义概率密度演化方程(generalized probability density evolution equation,GDEE).对于GDEE的求解通常采用有限差分法,然而,由于GDEE是初始条件间断的变系数一阶双曲偏微分方程,通过有限差分法求解GDEE可能会面临网格敏感性问题、数值色散和数值耗散现象.文章从全局逼近的角度出发,基于Chebyshev拟谱法为GDEE构造了全局插值格式,解决了数值色散、数值耗散以及网格敏感性问题.考虑GDEE的系数在每个时间步长均为常数,推导了GDEE在每一个时间步长内时域上的序列矩阵指数解.由于序列矩阵指数解形式上是解析的,从而很好地克服了数值稳定性问题.两个数值算例表明,通过Chebyshev拟谱法结合时域的序列矩阵指数解求解GDEE得到的结果与精确解以及Monte Carlo模拟的结果非常吻合,且数值耗散和数值色散现象几乎可以忽略.此外,拟谱法具有高效的收敛性且序列矩阵指数解不受CFL (Courant-Friedrichs-Lewy)条件的限制,因此该方法具有良好的数值稳定性和计算效率.展开更多
提出一种基于粒子概率假设密度滤波器(Sequential Monte Carlo probability hypothesis density filter,SMC-PHDF)的部分可分辨的群目标跟踪算法.该算法可直接获得群而非个体的个数和状态估计.这里群的状态包括群的质心状态和形状.为了...提出一种基于粒子概率假设密度滤波器(Sequential Monte Carlo probability hypothesis density filter,SMC-PHDF)的部分可分辨的群目标跟踪算法.该算法可直接获得群而非个体的个数和状态估计.这里群的状态包括群的质心状态和形状.为了估计群的个数和状态,该算法利用高斯混合模型(Gaussian mixture models,GMM)拟合SMC-PHDF中经重采样后的粒子分布,这里混合模型的元素个数和参数分别对应于群的个数和状态.期望最大化(Expectation maximum,EM)算法和马尔科夫链蒙特卡洛(Markov chain Monte Carlo,MCMC)算法分别被用于估计混合模型的参数.混合模型的元素个数可通过删除、合并及分裂算法得到.100次蒙特卡洛(Monte Carlo,MC)仿真实验表明该算法可有效跟踪部分可分辨的群目标.相比EM算法,MCMC算法能够更好地提取群的个数和状态,但它的计算量要大于EM算法.展开更多
考虑到存活目标与新生目标在动态演化特性上的差异性,提出了面向快速多目标跟踪的协同概率假设密度(collaborative probability hypothesis density,CoPHD)滤波框架。该框架利用存活目标的状态信息,将量测动态划分为存活目标量测集与新...考虑到存活目标与新生目标在动态演化特性上的差异性,提出了面向快速多目标跟踪的协同概率假设密度(collaborative probability hypothesis density,CoPHD)滤波框架。该框架利用存活目标的状态信息,将量测动态划分为存活目标量测集与新生目标量测集,在两个量测集分别运用PHD组处理更新基础上建立了处理模块的交互与协同机制,力图在保证跟踪精度的同时提高计算效率。该框架由于采用PHD组处理方式而具有状态自动提取功能。进一步给出了该框架的序贯蒙特卡罗算法实现。仿真结果表明,该算法在计算效率以及状态提取精度上具有明显优势。展开更多
文摘针对随机激励下振动系统的减振问题,提出了考虑摩擦与非线性阻尼的混联Ⅱ型惯容非线性能量阱(nonlinear energy sink,简称NES),建立了含新型NES主系统的动力学控制方程。首先,采用蒙特卡洛数值方法,研究了非线性刚度对减振性能的影响,当非线性刚度比κ_(21)逐渐增大时,主结构和混联Ⅱ型惯容NES的位移概率密度函数出现了双峰变为单峰,以及速度概率密度函数由单峰变为双峰的随机跳跃现象。主结构的位移概率密度函数对非线性刚度κ_(22)的敏感性比κ_(21)更高,κ_(22)最佳取值区间为200~1 000。其次,研究了噪声强度、阻尼比和惯质比对减振性能的影响,当噪声强度小于0.1或惯质比μ在0.1左右时,惯容NES的减振效果较好。虽然线性阻尼比λ_(1)和非线性阻尼比λ_(21)、λ_(22)增大会导致主结构和混联Ⅱ型惯容NES的概率密度函数出现分岔不稳定现象,但增大非线性阻尼比有助于改善惯容NES的减振性能。最后,采用差分进化法对惯容NES的参数进行了优化。本研究可为受随机激励的振动系统减振研究提供技术参考。
文摘概率密度演化方法(probability density evolution equation,PDEM)为非线性随机结构的动力响应分析提供了新的途径.通过PDEM获得结构响应概率密度函数(probability density function,PDF)的关键步骤是求解广义概率密度演化方程(generalized probability density evolution equation,GDEE).对于GDEE的求解通常采用有限差分法,然而,由于GDEE是初始条件间断的变系数一阶双曲偏微分方程,通过有限差分法求解GDEE可能会面临网格敏感性问题、数值色散和数值耗散现象.文章从全局逼近的角度出发,基于Chebyshev拟谱法为GDEE构造了全局插值格式,解决了数值色散、数值耗散以及网格敏感性问题.考虑GDEE的系数在每个时间步长均为常数,推导了GDEE在每一个时间步长内时域上的序列矩阵指数解.由于序列矩阵指数解形式上是解析的,从而很好地克服了数值稳定性问题.两个数值算例表明,通过Chebyshev拟谱法结合时域的序列矩阵指数解求解GDEE得到的结果与精确解以及Monte Carlo模拟的结果非常吻合,且数值耗散和数值色散现象几乎可以忽略.此外,拟谱法具有高效的收敛性且序列矩阵指数解不受CFL (Courant-Friedrichs-Lewy)条件的限制,因此该方法具有良好的数值稳定性和计算效率.
文摘提出一种基于粒子概率假设密度滤波器(Sequential Monte Carlo probability hypothesis density filter,SMC-PHDF)的部分可分辨的群目标跟踪算法.该算法可直接获得群而非个体的个数和状态估计.这里群的状态包括群的质心状态和形状.为了估计群的个数和状态,该算法利用高斯混合模型(Gaussian mixture models,GMM)拟合SMC-PHDF中经重采样后的粒子分布,这里混合模型的元素个数和参数分别对应于群的个数和状态.期望最大化(Expectation maximum,EM)算法和马尔科夫链蒙特卡洛(Markov chain Monte Carlo,MCMC)算法分别被用于估计混合模型的参数.混合模型的元素个数可通过删除、合并及分裂算法得到.100次蒙特卡洛(Monte Carlo,MC)仿真实验表明该算法可有效跟踪部分可分辨的群目标.相比EM算法,MCMC算法能够更好地提取群的个数和状态,但它的计算量要大于EM算法.
文摘考虑到存活目标与新生目标在动态演化特性上的差异性,提出了面向快速多目标跟踪的协同概率假设密度(collaborative probability hypothesis density,CoPHD)滤波框架。该框架利用存活目标的状态信息,将量测动态划分为存活目标量测集与新生目标量测集,在两个量测集分别运用PHD组处理更新基础上建立了处理模块的交互与协同机制,力图在保证跟踪精度的同时提高计算效率。该框架由于采用PHD组处理方式而具有状态自动提取功能。进一步给出了该框架的序贯蒙特卡罗算法实现。仿真结果表明,该算法在计算效率以及状态提取精度上具有明显优势。
