期刊文献+
共找到5篇文章
< 1 >
每页显示 20 50 100
基于图卷积网络的非参数化三维人体重建 被引量:1
1
作者 谢昊洋 钟跃崎 《毛纺科技》 CAS 北大核心 2021年第4期18-24,共7页
为了提高三维人体重建精度并使得重建结果更加可控,设计了一种基于图卷积的三维人体重建方法。该方法不依赖任何现有的参数化人体模型,以人体掩码图像和少量的人体测量尺寸作为输入,借助图卷积神经网络直接回归三维人体网格模型的顶点坐... 为了提高三维人体重建精度并使得重建结果更加可控,设计了一种基于图卷积的三维人体重建方法。该方法不依赖任何现有的参数化人体模型,以人体掩码图像和少量的人体测量尺寸作为输入,借助图卷积神经网络直接回归三维人体网格模型的顶点坐标,其本质是利用图卷积算子对内置的模板人体进行变形。大量实验证明,通过显式地融入人体测量数据并辅以相应的损失函数,重建精度大幅提高,重建人体的各项测量尺寸误差均小于1 cm,且重建效果优于其他相关方法。 展开更多
关键词 三维人体 图卷积网络 非参数化建模
在线阅读 下载PDF
基于增强Bi-LSTM的船舶运动模型辨识
2
作者 张浩晢 杨智博 +2 位作者 焦绪国 吕成兴 雷鹏 《中国舰船研究》 北大核心 2025年第1期76-84,共9页
[目的]针对基于数据驱动的船舶建模策略获得的模型预测精度低、适应性差等特点,提出一种增强的双向长短期记忆(Bi-LSTM)神经网络用于船舶的高精度非参数化建模。[方法]首先,利用Bi-LSTM神经网络的特点,实现对序列双向时间维度的特征提... [目的]针对基于数据驱动的船舶建模策略获得的模型预测精度低、适应性差等特点,提出一种增强的双向长短期记忆(Bi-LSTM)神经网络用于船舶的高精度非参数化建模。[方法]首先,利用Bi-LSTM神经网络的特点,实现对序列双向时间维度的特征提取。基于此,设计一维卷积神经网络(1D-CNN)提取序列的空间维度特征。然后,采用多头自注意力机制(MHSA)多角度对序列进行自适应加权处理。利用KVLCC2船舶航行数据,将所提增强Bi-LSTM模型与支持向量机(SVM)、门控循环单元(GRU)、长短期记忆神经网络(LSTM)模型的预测效果进行对比。[结果]所提增强Bi-LSTM模型在测试集中均方根误差(RMSE)、平均绝对误差(MAE)性能指标分别低于0.015和0.011,决定系数(R2)高于0.99913,预测精度显著高于SVM,GRU,LSTM模型。[结论]增强Bi-LSTM模型泛化性能优异,预测稳定性及预测精度高,有效实现了船舶的运动模型辨识。 展开更多
关键词 系统辨识 非参数化建模 一维卷积神经网络 双向长短期记忆神经网络 多头自注意力机制
在线阅读 下载PDF
一类Lorenz型混沌系统的直接数据驱动控制
3
作者 张智豪 楼旭阳 《江苏大学学报(自然科学版)》 北大核心 2025年第4期424-430,437,共8页
研究了一类未知Lorenz型混沌系统的直接数据驱动控制问题,将此类系统转化为线性依赖的形式并在此基础上构建非参数化模型,进而对重新建模后的系统进行状态反馈控制器的设计.首先对系统的输入、输出数据进行离线采样,接着利用采集数据直... 研究了一类未知Lorenz型混沌系统的直接数据驱动控制问题,将此类系统转化为线性依赖的形式并在此基础上构建非参数化模型,进而对重新建模后的系统进行状态反馈控制器的设计.首先对系统的输入、输出数据进行离线采样,接着利用采集数据直接给出状态反馈控制器的表达式.然后分析系统在状态反馈控制下的镇定问题,证明了闭环系统的稳定性.最后,通过数值例子完成了仿真验证.结果表明,所提出的直接数据驱动控制策略具有有效性. 展开更多
关键词 线性系统 Lorenz型混沌系统 直接数据驱动控制 系统重构 非参数化建模 状态反馈 平方和
在线阅读 下载PDF
基于机器学习的高速列车抗蛇行减振器劣化状态识别方法研究
4
作者 魏庆 王悦明 +4 位作者 吕凯凯 代明睿 杨涛存 杜文然 池长欣 《铁道机车车辆》 北大核心 2023年第6期45-53,共9页
为识别高速列车抗蛇行减振器服役过程中的劣化状态,首先基于运用统计选取了5种典型的组合参数,通过台架试验获取其动态频变刚度和阻尼特性;然后采用抗蛇行减振器非参数化建模方法建立了整车动力学联合仿真模型,计算得到不同工况下的车... 为识别高速列车抗蛇行减振器服役过程中的劣化状态,首先基于运用统计选取了5种典型的组合参数,通过台架试验获取其动态频变刚度和阻尼特性;然后采用抗蛇行减振器非参数化建模方法建立了整车动力学联合仿真模型,计算得到不同工况下的车辆动力学响应;构建了机器学习分类问题,分别采用支持向量机(Support Vector Machine, SVM)和卷积神经网络(Convolutional Neural Network, CNN)的方法对减振器状态进行识别。研究结果表明,基于BP神经网络(Back Propagation Neural Network,BPNN)的非参数化模型更为准确地描述抗蛇行减振器的动态行为,建立的整车联合仿真模型计算结果与实测数据符合较好;采用SVM算法构建的机器学习模型识别效果一般,而采用CNN算法构建的机器学习模型则达到较高的识别准确度。考虑实际运用需求,将机器学习问题简化为6分类问题,信号通道数精简为4个,CNN机器学习模型仍可实现较高精度的劣化状态识别。 展开更多
关键词 抗蛇行减振器 非参数化建模 动力学响应 识别 支持向量机 卷积神经网络
在线阅读 下载PDF
Modeling and parameter identification of amplitude- and frequency-dependent rubber isolator 被引量:1
5
作者 孙德伟 陈志刚 +1 位作者 张广玉 P.Eberhard 《Journal of Central South University》 SCIE EI CAS 2011年第3期672-678,共7页
A model to describe the hysteresis damping characteristic of rubber material was presented.It consists of a parallel spring and damper,whose coefficients change with the vibration amplitude and frequency.In order to a... A model to describe the hysteresis damping characteristic of rubber material was presented.It consists of a parallel spring and damper,whose coefficients change with the vibration amplitude and frequency.In order to acquire these relations,force decomposition was carried out according to some sine vibration measurement data of nonlinear forces changing with the deformation of the rubber material.The nonlinear force is decomposed into a spring force and a damper force,which are represented by the amplitude-and frequency-dependent spring and damper coefficients,respectively.Repeating this step for different measurements gives different coefficients corresponding to different amplitudes and frequencies.Then,the application of a parameter identification method provides the requested approximation functions over amplitude and frequency.Using those formulae,as an example,the dynamic characteristic of a hollow shaft system supported by rubber rings was analyzed and the acceleration response curve in the centroid position was calculated.Comparisons with the sine vibration experiments of the real system show a maximal inaccuracy of 8.5%.Application of this model and procedure can simplify the modeling and analysis of mechanical systems including rubber materials. 展开更多
关键词 rubber isolator MODELING parameter identification hysteresis damping dynamic analysis
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部