行星齿轮箱振动信号包含多种频率成分和噪声干扰，频谱具有复杂的边带结构，容易对故障识别造成误导甚至引起错判.在不同故障状态下，行星齿轮箱振动信号的多域特征量将偏离正常范围且偏离程度不同，根据这一特点，提取振动信号的时域、频域特征参量用于故障识别.为了避免传统分析方法中负频率及虚假模态问题，增强对噪声干扰的鲁棒性，采用局部均值分解法将信号自适应地分解为单分量之和，提取时频域单分量瞬时幅值能量.针对多域特征空间构造过程中出现的高维及非线性问题，采用流形学习对数据进行降维处理.提出基于改进的虚假近邻点的本征维数估计及最优k邻域确定方法，并通过等距映射对多域特征空间进行降维分析.对于行星齿轮箱实验信号，根据样本流形特征聚类结果，分别识别出了太阳轮、行星轮和齿圈的局部故障，从而验证了上述方法的有效性

第一节概述 第二节粮食类原料的营养特点 第三节果蔬类原料的营养特点 第四节肉类的营养特点 第五节蛋乳类的营养特点 第六节其他原料的营养特点

第一节概述 第二节粮食类原料的营养特点 第三节果蔬类原料的营养特点 第四节肉类的营养特点 第五节蛋乳类的营养特点 第六节其他原料的营养特点

基于颗粒元理论和PFC3D程序,构建具有矿石散体细观力学性质的放矿模型,开展崩落法采矿中放出体流动特性影响因素研究.运用统计学知识确定对放出体流动特性有显著影响的主要因素及其敏感性,得出其与放出体流动特性的关系,并通过已有研究结论与模拟结果的对比分析,验证了基于PFC3D程序的放矿模型在放出体流动特性影响因素研究中的适宜性与可靠性.研究表明:放出体颗粒形状、摩擦系数及放矿口尺寸三种因素是显著影响崩落矿岩流动特性的重要参数.在放矿初始阶段,放矿口尺寸对放出体形态影响最大,其次为摩擦系数,颗粒形状对其影响最小;在之后的放矿过程中,颗粒形状对放出体形态影响最大,其次为放矿口尺寸和摩擦系数.散体颗粒形状越不规则、散体内摩擦角越大以及放矿口尺寸越小则放矿越困难

首先给出了通过矩形块与三角像素特征块相结合所构造的八种用于眼睛检测的扩展三角特征原型块.考虑扫描块在人脸背景中遍历时眼睛样本图像块数量远少于非眼睛样本块数的实际,提出了一种结合Haar特征和三角特征的AdaBoost快速眼睛检测算法.通过级联分类器的前几层强分类器完成排除大部分非眼睛样本;然后,通过后续强分类器进行判断大部分的眼睛图像块和少量非眼睛图像块.检测时间消耗有所下降,这样可以保证整体的检测速度.实验结果进一步表明该算法具有更好的检测性能,与仅使用Haar特征相比正检率有一定程度提高

针对图像匹配制导中异源图像匹配难度大的问题,提出一种基于椭圆对称方向矩的可见光与红外图像配准算法.基于最稳定极值区域提取异源图像中具有尺度和仿射不变特性的椭圆区域,利用聚类分割方法从中自动选取具有异源不变性的同质区域特征,用椭圆对称方向矩描述区域特征边界各方向上的相似程度,通过互相关性指标进行特征匹配,获取匹配特征对,利用匹配矫正策略减少误匹配.实验结果表明:较传统算法,进一步提高了可见光与红外图像关联特征的匹配效率,正确率超过了95%,计算时间缩短了近一半.基本满足图像匹配制导对匹配算法实时性好、匹配正确率高、抗干扰能力强等要求

4.1.1 航空遥感平台 4.1.2 航空摄影方式 4.1.3 航空遥感特点 §4.2 航空像片的几何特征与物 航空像片的几何特征与物理特征 4.2.1 航空像片的投影原理 4.2.2 航空像片的比例尺 4.2.3 航空像片上的特殊点线 4.2.4 像点位移 4.2.5 航空像片的物理特性 §4.3航空像片的立体观测 航空像片的立体观测 4.3.1立体观察 4.3.2立体测量

提出基于管道流体信号的自振射流特性检测方法, 将压力传感器从高压罐内移至高压罐外, 布置在高压罐外的前端管路上, 从而避开高围压环境影响; 通过双压力传感器拾取管道流体压力脉动信号, 并运用信号处理技术有效抑制干扰噪声, 提高有用信号强度, 准确获取射流的压力脉动信息.试验表明, 管道流体压力信号的频谱特征与喷嘴腔内检测法具有一致性, 且与理论计算较为吻合, 充分表征了射流的压力振荡特性; 其声功率谱与高压罐内水听器检测结果相一致, 较好地表述了射流的空化作用特性.由此认为基于管道流体信号的检测法用于自振射流特性的检测是完全可行的, 具有先进性, 为高围压下自振射流的研究提供了新手段

一、特殊矩阵的实现 特殊矩阵的实现常见的特殊矩阵有零矩阵、幺矩阵、单位矩阵、三角形矩阵等,这类特殊矩阵在线性代数中具有通用性;还有一类特殊矩阵在专门学科中有用,如有名的希尔伯特( Hilbert)矩阵、范德蒙( Vandermonde)矩阵等1.零矩阵:所有元素值为零的矩阵称为零矩阵。零矩阵可以用 zeros函数实现

基于面部动态表情序列，针对静态表情缺少时间信息等问题，将空间特征与时间特征融合，利用神经网络在图像分类领域良好的特征，对需要进行细节分析的表情序列进行处理，提出基于分离式长期循环卷积网络(Separate long-term recurrent convolutional networks, S-LRCN)的微表情识别方法。首先选取微表情数据集提取面部图像序列，引入迁移学习的方法，通过预训练的卷积神经网络模型提取表情帧的空间特征，降低网络训练中过拟合的危险，并将视频序列的提取特征输入长短期记忆网络(Long short-team memory, LSTM)处理时域特征。最后建立学习者表情序列小型数据库，将该方法用于辅助教学评价