将单轴压缩条件下遭受到剪切带(峰值应力之后呈现线性应变软化行为)形式的单一剪切破坏普通混凝土试样的峰后应力-应变曲线斜率的解析解推广为非线性情形.在峰值应力之前,采用Scott模型描述非线性的本构关系.剪切带的非线性应变软化本构关系由导出的最短普通混凝土试样峰后斜率反算.利用得到的峰后本构关系,对其他较长的普通混凝土试样的应力-应变曲线进行了预测.预测的峰后应力-应变曲线依赖于试样的高度,且与实验结果吻合.估算的剪切带内部平均塑性剪切应变远大于在单轴压缩条件下测得的轴向应变的极限值.若测得的峰后应力-应变曲线被视为本构关系,则普通混凝土柱的峰后延性将被极大地低估

快速(真空)变压吸附循环周期较短,床层压力周期性变化快,使吸附床内流动及传热传质特性变化较大,本文研究吸附及解吸压力对快速变压吸附制氧床内速度及循环性能的影响.快速变压吸附(rapid pressure swing adsorption,RPSA)循环中原料气充压阶段气流速度远大于顺流的气体流速极限值,快速真空变压吸附(rapid vacuum pressure swing adsorption,RVPSA)循环中原料气充压阶段气流速度略大于顺流的气体流速极限值,而RPSA循环和RVPSA循环中放空降压阶段气流速度均较大.在所研究的吸附和解吸压力范围内,RPSA循环和RVPSA循环中气体温度在循环周期内变化均约为10℃,而RVPSA循环中气体温度在循环周期内温度梯度更大.RPSA循环中吸附压力越高,氧气回收率越高,床层因子越小;而RVPSA循环中解吸压力越低,氧气回收率越高,床层因子越小

系统研究了面向复杂系统监测时变信号的实时故障检测与识别问题.采用滑窗Mallat小波快速变换克服传统小波变换的时域全局依耐性并提高计算效率,使之适应于实时故障检测;针对时变信号的故障模式识别难题,在故障检测基础上采用改进动态循环神经网络(improved dynamic recurrent neural network,IDRNN)进行智能故障识别.最后将滑动时窗小波检测模块及最优IDRNN网络模块嵌入某型完整卫星姿态控制系统仿真平台进行在线故障诊断.试验结果表明:实时条件下的滑动窗口小波变换与传统小波变换具有一致性,IDRNN对于时变信号识别具有较好的时域泛化能力,将滑窗移动时不变小波方法与IDRNN结合可以实现面向复杂系统监测实时信号的故障检测及复合模式分类

桥梁模态频率随运营环境作用的变化规律是结构健康监测的研究主题之一.根据东海大桥6 a监测数据的周期变化特性,识别了运营条件下主梁竖弯、侧弯、扭转基频变化的影响因素,采用偏相关系数和周期平均法对比了各因素的影响程度.研究发现,东海大桥的模态频率存在1 a、1周、1 d、12.42 h等变化周期,与结构温度、交通荷载、风荷载、海面高度等的变化周期相吻合;结构温度和交通荷载是引起该桥频率变化的最主要因素,它们在各周期上的相对影响大小不同;周期平均法可有效分离监测数据中的年、周、天周期成分,揭示不同运营环境作用与频率变化的相关性.研究结果有助于加深对桥梁运营期频率变化的理解,从而更准确地评估结构性能

第八章Z变换, 一、理想取样信号的拉普拉斯变换 1、Z变换定义 2、Z变换的收敛域 3、常用序列的Z变换 4、Z变换的性质 5、Z反变换

因子分析(factor analysis)是一种数据简化的技术 。它通过研究众多变量之间的内部依赖关系,探求观测数 据中的基本结构,并用少数几个假想变量来表示其基本的 数据结构。这几个假想变量能够反映原来众多变量的主要 信息。原始的变量是可观测的显在变量,而假想变量是不 可观测的潜在变量,称为因子。 例如,在企业形象或品牌形象的研究中,消费者可以 通过一个有24个指标构成的评价体系,评价百货商场的24 个方面的优劣

遗传与变异 遗传学既要硏究遗传的规律,更要研究变异的规律,许多遗 传规律是通过对变异的研究得出的。 。变异:不能遗传的变异、可以遗传的变异,后者是由于遗传 信息的改变造成的

一、选择题(单选题,每题3分,共30分) 1.点电荷Q被曲面S所包围,从无穷远处引入另一点电荷q至曲面 外一点,如图所示,则引入前后: (A)曲面S的电场强度通量不变,曲面上各点场强不变 (B)曲面S的电场强度通量变化,曲面上各点场强不变 (C)曲面S的电场强度通量变化,曲面上各点场强变化 (D)曲面S的电场强度通量不变,曲面上各点场强变化

鉴别分析是一种进行统计鉴别和分组的技术手段。它可以就一定数量案例的一个分组变量和相应的其他多元变量的已知信息,确定分组与其他多元变量之间 的数量关系,建立鉴别函数(discriminant function)然后便可以利用这一数量 关系对其他已知多元变量信息、但未知分组类型所属的案例进行鉴别分组。沿用 多元回归模型的称谓,在鉴别分析中称分组变量(grouping variable)为因变量, 而用以分组的其他特征变量称为鉴别变量( disciminant variable)或自变量。其 实,这里的自变量并不一定是真正的“原因变量,有时可能倒是真正的“结 果”或“反应”变量

8.1 从傅里叶变换到小波变换的时频分析法 8.2 小波变换分类 8.3 小波变换的多分辨分析特性 8.4 尺度函数与小波 8.5 小波变换的快速实现 8.6 图像的多分辨分解与重建 8.7 小波变换在图像边缘检测中的应用 8.8 小波变换在图像去噪中的应用 8.9 小波变换在图像融合中的应用