CN111274867B - 一种野外阵风模拟方法 - Google Patents

一种野外阵风模拟方法 Download PDF

Info

Publication number
CN111274867B
CN111274867B CN201911395033.XA CN201911395033A CN111274867B CN 111274867 B CN111274867 B CN 111274867B CN 201911395033 A CN201911395033 A CN 201911395033A CN 111274867 B CN111274867 B CN 111274867B
Authority
CN
China
Prior art keywords
gust
wind speed
field
curve
time domain
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911395033.XA
Other languages
English (en)
Other versions
CN111274867A (zh
Inventor
周晓斯
杨斌
熊一民
刘宇昕
张博
任莹辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwest University
Original Assignee
Northwest University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Northwest University filed Critical Northwest University
Priority to CN201911395033.XA priority Critical patent/CN111274867B/zh
Publication of CN111274867A publication Critical patent/CN111274867A/zh
Application granted granted Critical
Publication of CN111274867B publication Critical patent/CN111274867B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/22—Source localisation; Inverse modelling
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出了一种野外阵风模拟方法，属于风信号模拟技术领域，其方法步骤主要为采集数据、绘图野外阵风信号的时域变化曲线；去燥；找极值点进行节点分段；生成初始种群；确定出初始种群的适应度；找出优势种群；拟合出阵风曲线。利用本发明的方法可以用少量的数据可表达出阵风变化特征，数据存储量小。

Description

一种野外阵风模拟方法
技术领域
本发明属于风信号模拟技术领域，特别涉及一种野外阵风模拟方法。
背景技术
风是风沙活动和沙漠化发生发展的动力。在实验风洞中若采用长时间时均风速值进行模拟实验时，整个动力过程被完全均一化，这是目前风沙动力学某些关键参数，如输沙率等，在野外观测与风洞实验值之间相差甚远的最重要原因。因此，实验室野外阵风信号重构、阵风模拟与复现的方法是风沙动力学的一个至关重要的研究内容。
目前，实验室研究野外阵风频率特性通常采用频域分析方法，将时域信号转化为频域表示，使用傅里叶变换对野外阵风信号进行频域分析，将实测所得的时域风速脉动信号变换到频域，无量纲化并进行平均，可得到各高度阵风水平脉动功率谱密度曲线。但是，在实际中，近地层大气湍流由于存在不同尺度的涡结构而表现出不同频率成分的脉动，其实际上是一种非定常状态的阵风，即存在突变和无平稳性，采用傅里叶变换时不能刻画时间域上信号的局部特性，而且对突变和非平稳信号的分析效果不好，没有时频分析，导致分析拟合结果失真，与实际阵风的变化状态曲线差别较大，不利于风沙动力学研究。
发明内容
为了克服现有技术所存在的不足，本发明提供了一种利用小波分析进行滤波处理，之后采用遗传算法对小波分析滤波处理后的离散数据点进行分段处理，拟合形成野外阵风的方法。
本发明所采用的技术方案是：
一种野外阵风模拟方法，其是由以下步骤组成：
(1)采集野外阵风数据，输入MATLAB软件，利用软件的在线绘图做出野外阵风信号的时域变化曲线；
(2)采用一维小波分析法对步骤(1)的时域变化曲线去噪处理；
(3)找到步骤(2)去噪后的时域变化曲线的极值点，以每一个极值点为节点进行分段；
(4)选择第k分段作为目标数据集，并生成初始种群；
(5)确定出初始种群的适应度；
(6)用轮盘选择法筛选出初始种群中适应度较高的个体进行交叉变异操作处理，按照步骤(5)的方法对交叉变异操作处理后的个体与原初始种群中适应度较高的个体混合，形成优势种群；
(7)设定进化完成条件为第k分段的风速适应度αk小于初始的风速适应度α0，则判断优势种群的适应度最高的个体对应的适应度是否满足进化完成条件，若满足，返回步骤(4)，重复处理；若不满足，则返回步骤(6)，重复处理，直至整个时域变化曲线的所有分段进化完成，确定出去噪后的时域变化曲线所对应的集合T与
Figure GDA0002454838550000021
的值，进而拟合出阵风曲线，
Figure GDA0002454838550000031
其中，n为目标数据集的长度；Ak表示正弦型函数的幅值，为最大风速与平均风速之间的差值；mk为第k分段的平均风速；yk为第k分段的风速，xk为第k分段的采样时间；l为分段数；T是采样周期的集合，
Figure GDA0002454838550000033
是初始相位的集合；Tk是第k个分段的采样周期；
Figure GDA0002454838550000034
是第k个分段的初始相位。
进一步限定，所述步骤(1)野外阵风数据包是采集频率为1Hz时，在200～400mm高度位置采集的阵风风速和采样时间。
进一步限定，所述步骤(2)具体为：
(2.1)采用一维小波分析模块加载步骤(1)的野外阵风信号时域变化曲线，得到野外阵风信号曲线；
(2.2)导入(2.1)中得到的野外阵风信号曲线，选择合适的分解层数和基波，得到各层分解曲线；
(2.3)设置各分解层阈值，合成光滑性较好的曲线，完成时域变化曲线的去噪处理。
进一步限定，所述步骤(2.2)中的分解层数为3～5层，基波电压选择db5～db15，频率为1/64～1/16Hz。
进一步限定，所述步骤(4)具体为：
(4.1)将第k分段的时域变化曲线作为目标数据集，用正弦型函数表示：
Figure GDA0002454838550000032
该函数的边界条件为：[Xk(1),Yk(1)],[Xk(n),Yk(n)]
其中，n为目标数据集的长度；Ak表示正弦型函数的幅值，为最大风速与平均风速之间的差值；mk为第k分段的平均风速；yk为第k分段的风速，xk为第k分段的采样时间；
(4.2)设定初始采样周期Tko的取值范围和初始相位，并确定初始种群大小，则MATLAB软件随机生成随机采样周期Tks与随机相位
Figure GDA0002454838550000041
的值。
进一步限定，所述步骤(4.2)具体是：设定初始采样周期Tko的取值范围为[0,800]，初始相位的取值范围为[0,2π]，并确定初始种群大小为100～200，则MATLAB软件根据设定值随机生成随机采样周期Tks与随机相位
Figure GDA0002454838550000042
的值。
进一步限定，所述步骤(5)具体为：
(5.1)令Tk＝Tks,
Figure GDA0002454838550000043
则步骤(4)所选定的目标数据集为：
Figure GDA0002454838550000044
(5.2)将目标数据集的边界条件[Xk(1),Yk(1)],[Xk(n),Yk(n)]代入上式得到参数Ak＝Ak0，mk＝mk0，即得到理论风速函数：
Figure GDA0002454838550000045
(5.3)利用下式适应度函数对理论风速函数进行筛选，确定出初始种群的适应度；
Figure GDA0002454838550000046
其中，αk为第k分段的适应度函数值；yk(i)为第k分段的目标数据集中第i节长度的理论风速，Yk(i)为第k分段的目标数据集中第i节长度的实际测量风速；i∈Z[1，n]。
与现有技术相比，本发明的野外阵风模拟方法具有以下有益效果：
1、本发明利用一维小波分析进行滤波处理，提供一个随频率改变的“时间-频率”窗口，进行局部信号的时频分析和处理，通过伸缩平移运算对信号逐步进行多尺度细化，达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节，解决了Fourier变换困难的问题，为下一步拟合处理提供方便。
2、本发明利用了遗传算法极强的鲁棒性、全局寻优能力以及隐含的并行性，对一维小波分析滤波处理后的大量的离散数据点进行处理，经过类似自然进化的过程从第一代群体到第二代群体，利用轮盘选择法选择、变异、交叉操作，筛选出最优个体，重复进行下一组目标数据集的拟合，进而拟合出野外阵风曲线，可以显著降低控制信号的要求，利用较少的数据量即可表达出阵风变化特征，数据存储量小。
3、本发明充分利用了一维小波分析方法和遗传算法的优势，实现非定常状态的阵风模拟，而且模拟的风能量损失率小，可低于3.26％，保证拟合结果准确，不失真，为风沙动力学研究提供了可靠基础。
附图说明
图1为采集的野外阵风信号的时域变化曲线。
图2为分解层数为5层的信号分解图。
图3为原始信号的各层分解图。
图4为各层分解阈值设定示意图。
图5为去噪后的时域变化曲线。
图6为曲线分段示意图。
图7为目标数据集分布曲线。
图8为初始种群中参数T、
Figure GDA0002454838550000061
的取值。
图9为选择、交叉、变异操作前后种群适应度值。
图10为拟合阵风曲线与原始阵风曲线对比。
具体实施方式
下面结合实施例和附图对本发明的技术方案进行进一步说明，但是并非对本发明技术方案的限定，仅为较佳的实施方式。
本发明的野外阵风模拟方法，具体可由以下步骤实现：
(1)采集野外阵风数据，输入MATLAB软件，利用软件的在线绘图做出野外阵风信号的时域变化曲线；
以1Hz的采集频率，在200～400mm不同高度位置的采集野外阵风的风速和采样时间等信号数据，获得近地层风速廓线、不同高度阵风的时间序列、阵风风谱及时频能谱，导入MATLAB，利用软件的在线绘图，绘制出其中300mm高度处的野外阵风信号的时域变化曲线，如图1所示。
(2)采用一维小波分析发对步骤(1)的时域变化曲线去噪处理，具体为：
(2.1)采用一维小波分析模块加载步骤(1)的野外阵风信号时域变化曲线，得到野外阵风信号曲线；
(2.2)导入(2.1)中得到的野外阵风信号曲线，选择合适的分解层数和基波，分解层数为3～5层，基波电压可选择db5～db15，频率为1/16～1/64Hz，如分解层数为5层，基波选择db9，得到各层分解曲线，如图2所示，与图3原始信号的各层分解图相对比，从图3的原始信号的各层分解图可以看出，原始野外阵风信号对应的曲线光滑性较差，而本发明图2所示的选用合适的分解层数和基波后对应的曲线具有较好的光滑性并且保证较低的失真度。
(2.3)设置各分解层阈值，如图4所示，第1层阈值为3.200，第2层阈值为5.539，第3层阈值为8.058，第4层阈值为11.596，第5层阈值为25.369，合成光滑性较好的曲线，完成时域变化曲线的去噪处理，得到如图5所示的去噪后的时域变化曲线。
(3)找到步骤(2)去噪后的时域变化曲线的极值点，以每一个极值点为节点进行分段，如图6所示。
图6中的红色曲线是经过小波滤波后得到的曲线，首先找到曲线的极值点，然后以每一个极值点为节点进行分段，图6中的蓝线标记除了分段的位置。
(4)选择第k分段作为目标数据集，并生成初始种群；具体为：
(4.1)将第k分段的时域变化曲线作为目标数据集，用正弦型函数表示：
Figure GDA0002454838550000071
该函数的边界条件为：[Xk(1),Yk(1)],[Xk(n),Yk(n)]
其中，n为目标数据集的长度；Ak表示正弦型函数的幅值，为最大风速与平均风速之间的差值；mk为第k分段的平均风速；yk为第k分段的风速，xk为第k分段的采样时间；
(4.2)设定初始采样周期Tko的取值范围为[0,800]和初始相位
Figure GDA0002454838550000081
并确定初始种群大小为100～200，则MATLAB软件随机生成随机采样周期Tks与随机相位
Figure GDA0002454838550000082
的值。
选取图6中第三分段的数据作为目标数据集，如图7所示，确定参数范围，设定Tko的取值范围为[0,800],
Figure GDA0002454838550000083
的取值范围为[0,2π]，确定初始种群大小为100，随机生成Tks与
Figure GDA0002454838550000084
的值，其结果如图8所示。
(5)确定出初始种群的适应度，具体为：
(5.1)令Tk＝Tks,
Figure GDA0002454838550000085
则步骤(4)所选定的目标数据集为：
Figure GDA0002454838550000086
(5.2)将目标数据集的边界条件[Xk(1),Yk(1)],[Xk(n),Yk(n)]代入上式得到参数Ak＝Ak0，mk＝mk0，即得到理论风速函数：
Figure GDA0002454838550000087
(5.3)利用下式适应度函数对理论风速函数进行筛选，确定出初始种群的适应度；
Figure GDA0002454838550000088
其中，Ak为目标数据集的中间参数，Ak0为理论风速函数的中间参数；mk0为第k分段的初始风速，αk为第k分段的适应度函数值；yk(i)为第k分段的目标数据集中第i节长度的理论风速，Yk(i)为第k分段的目标数据集中第i节长度的实际测量风速；i∈Z[1，n]，即i取1～n之间的正整数。
(6)用轮盘选择法筛选出初始种群中适应度较高的个体进行交叉变异操作处理，按照步骤(5)的方法对交叉变异操作处理后的个体与原初始种群中适应度较高的个体混合，形成优势种群；
选择操作的原则是使适应度大的个体被选择的几率变大，轮盘选择法是将所有个体的是适应度之和看作一个轮盘，根据适应度的大小，将每个个体与轮盘中某些部分对应起来，然后旋转轮盘上的指针，指针所在处对应的个体就被选中。不断重复上述过程，直到选择到所需要的个体数目为止。
交叉操作是指对选择后的父代个体进行基因模式的重组而产生后代的机制。在个体繁殖过程中，交叉能引起基因模式的重组，从而有可能产生包含优良性能的基因模式的个体。
突变操作是指模拟生物在自然的遗传进化环境中由于各种偶然因素引起的基因模式突然改变的个体繁殖方式。采用突变操作增加了群体中基因模式的多样性，从而增加了群体进化过程中自然选择的作用，并能避免群体早熟性收敛现象的产生，从而避免群体进化过程过早陷入局部最优区域。
图9是经过选择、交叉、突变操作前后100个体的适应度大小的对比图，从图中可以看出新的种群的适应度总体小于初始种群，而且也具有多样性不会出现群体早熟性收敛现象。通过这些操作得到了新的优势种群。
(7)设定进化完成条件为第k分段的风速适应度αk小于初始的风速适应度α0，则判断优势种群的适应度最高的个体对应的适应度是否满足进化完成条件，若满足，返回步骤(4)，重复处理；若不满足，则返回步骤(6)，重复处理，直至整个时域变化曲线的所有分段进化完成，确定出去噪后的时域变化曲线所对应的集合T与
Figure GDA0002454838550000105
的值，进而拟合出阵风曲线，
Figure GDA0002454838550000101
l为分段数；T是采样周期的集合，
Figure GDA0002454838550000102
是初始相位的集合；Tk是第k个分段的采样周期；
Figure GDA0002454838550000103
是第k个分段的初始相位；
当进化完成时，得到时域变化曲线上的每一分段所对应的参数值，拟合出阵风曲线，将其与原始曲线进行对比，如图10所示。
表1为使用遗传算法得到的部分分段的参数值
Figure GDA0002454838550000104
Figure GDA0002454838550000111
图10为拟合阵风曲线与原始阵风曲线对比，从图中可以看出，拟合前后每个分段的数据基本重合。
再通过一致性评价，可以发现风洞模拟风与低频场阵风具有几乎相同的能量分布，与实际场阵风相比，模拟风的能量损失率仅为3.26％。结果表明，采用本发明的方法对野外阵风模拟，拟合出阵风曲线，可以显著降低控制信号的要求，为风沙动力学研究提供了可靠基础。

Claims (7)

1.一种野外阵风模拟方法，其特征在于，由以下步骤组成：
(1)采集野外阵风数据，输入MATLAB软件，利用软件的在线绘图做出野外阵风信号的时域变化曲线；
(2)采用一维小波分析法对步骤(1)的时域变化曲线去噪处理；
(3)找到步骤(2)去噪后的时域变化曲线的极值点，以每一个极值点为节点进行分段；
(4)选择第k分段作为目标数据集，并生成初始种群；
(5)确定出初始种群的适应度；
(6)用轮盘选择法筛选出初始种群中适应度较高的个体进行交叉变异操作处理，按照步骤(5)的方法对交叉变异操作处理后的个体与原初始种群中适应度较高的个体混合，形成优势种群；
(7)设定进化完成条件为第k分段的风速适应度αk小于初始的风速适应度α0，则判断优势种群的适应度最高的个体对应的适应度是否满足进化完成条件，若满足，返回步骤(4)，重复处理；若不满足，则返回步骤(6)，重复处理，直至整个时域变化曲线的所有分段进化完成，确定出去噪后的时域变化曲线所对应的集合T与
Figure FDA0002346064160000011
的值，进而拟合出阵风曲线，
Figure FDA0002346064160000012
其中，n为目标数据集的长度；Ak表示正弦型函数的幅值，为最大风速与平均风速之间的差值；mk为第k分段的平均风速；yk为第k分段的风速，xk为第k分段的采样时间；l为分段数；T是采样周期的集合，
Figure FDA0002346064160000021
是初始相位的集合；Tk是第k个分段的采样周期；
Figure FDA0002346064160000022
是第k个分段的初始相位。
2.根据权利要求1所述的野外阵风模拟方法，其特征在于，所述步骤(1)野外阵风数据包是采集频率为1Hz时，在200～400mm高度位置采集的阵风风速和采样时间。
3.根据权利要求1所述的野外阵风模拟方法，其特征在于，所述步骤(2)具体为：
(2.1)采用一维小波分析模块加载步骤(1)的野外阵风信号时域变化曲线，得到野外阵风信号曲线；
(2.2)导入(2.1)中得到的野外阵风信号曲线，选择合适的分解层数和基波，得到各层分解曲线；
(2.3)设置各分解层阈值，合成光滑性较好的曲线，完成时域变化曲线的去噪处理。
4.根据权利要求3所述的野外阵风模拟方法，其特征在于，所述步骤(2.2)中的分解层数为3～5层，基波电压选择db5～db15，频率为1/64～1/16Hz。
5.根据权利要求1所述的野外阵风模拟方法，其特征在于，所述步骤(4)具体为：
(4.1)将第k分段的时域变化曲线作为目标数据集，用正弦型函数表示：
Figure FDA0002346064160000023
该函数的边界条件为：[Xk(1),Yk(1)],[Xk(n),Yk(n)]
其中，n为目标数据集的长度；Ak表示正弦型函数的幅值，为最大风速与平均风速之间的差值；mk为第k分段的平均风速；yk为第k分段的风速，xk为第k分段的采样时间；
(4.2)设定初始采样周期Tko的取值范围和初始相位，并确定初始种群大小，则MATLAB软件随机生成随机采样周期Tks与随机相位
Figure FDA0002346064160000031
的值。
6.根据权利要求5所述的野外阵风模拟方法，其特征在于，所述步骤(4.2)具体是：设定初始采样周期Tko的取值范围为[0,800]，初始相位的取值范围为[0,2π]，并确定初始种群大小为100～200，则MATLAB软件根据设定值随机生成随机采样周期Tks与随机相位
Figure FDA0002346064160000032
的值。
7.根据权利要求5所述的野外阵风模拟方法，其特征在于，所述步骤(5)具体为：
(5.1)令Tk＝Tks,
Figure FDA0002346064160000033
则步骤(4)所选定的目标数据集为：
Figure FDA0002346064160000034
(5.2)将目标数据集的边界条件[Xk(1),Yk(1)],[Xk(n),Yk(n)]代入上式得到参数Ak＝Ak0，mk＝mk0，即得到理论风速函数：
Figure FDA0002346064160000035
(5.3)利用下式适应度函数对理论风速函数进行筛选，确定出初始种群的适应度；
Figure FDA0002346064160000036
其中，αk为第k分段的适应度函数值；yk(i)为第k分段的目标数据集中第i节长度的理论风速，Yk(i)为第k分段的目标数据集中第i节长度的实际测量风速；i∈Z[1，n]。
CN201911395033.XA 2019-12-30 2019-12-30 一种野外阵风模拟方法 Active CN111274867B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911395033.XA CN111274867B (zh) 2019-12-30 2019-12-30 一种野外阵风模拟方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911395033.XA CN111274867B (zh) 2019-12-30 2019-12-30 一种野外阵风模拟方法

Publications (2)

Publication Number Publication Date
CN111274867A CN111274867A (zh) 2020-06-12
CN111274867B true CN111274867B (zh) 2023-03-31

Family

ID=71111833

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911395033.XA Active CN111274867B (zh) 2019-12-30 2019-12-30 一种野外阵风模拟方法

Country Status (1)

Country Link
CN (1) CN111274867B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003288579A (ja) * 2001-07-27 2003-10-10 National Institute Of Advanced Industrial & Technology 最適フィッティングパラメータ決定方法および装置、並びに最適フィッティングパラメータ決定プログラム
CN103034757A (zh) * 2012-12-02 2013-04-10 中国科学院电工研究所 基于经验模态分解的风电场时频域建模方法
CN105069192A (zh) * 2015-07-20 2015-11-18 河北工业大学 一种基于遗传算法求解风机功率曲线参数模型的改进方法
CN105224715A (zh) * 2015-09-01 2016-01-06 国网浙江省电力公司经济技术研究院 一种山区地貌下强风三维脉动风场综合模拟方法
CN105354346A (zh) * 2014-08-21 2016-02-24 国家电网公司 一种风电机组参数辨识方法
US9715480B1 (en) * 2011-06-24 2017-07-25 United States Of America As Represented By Secretary Of The Navy Method for analytical reconstruction of digital signals via stitched polynomial fitting
CN107180126A (zh) * 2017-04-24 2017-09-19 河海大学 一种桥梁风振监测传感器布置和风振响应重构方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108763055B (zh) * 2018-04-19 2020-08-25 北京航空航天大学 一种基于表观遗传的测试用例约束控制技术的构建方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003288579A (ja) * 2001-07-27 2003-10-10 National Institute Of Advanced Industrial & Technology 最適フィッティングパラメータ決定方法および装置、並びに最適フィッティングパラメータ決定プログラム
US9715480B1 (en) * 2011-06-24 2017-07-25 United States Of America As Represented By Secretary Of The Navy Method for analytical reconstruction of digital signals via stitched polynomial fitting
CN103034757A (zh) * 2012-12-02 2013-04-10 中国科学院电工研究所 基于经验模态分解的风电场时频域建模方法
CN105354346A (zh) * 2014-08-21 2016-02-24 国家电网公司 一种风电机组参数辨识方法
CN105069192A (zh) * 2015-07-20 2015-11-18 河北工业大学 一种基于遗传算法求解风机功率曲线参数模型的改进方法
CN105224715A (zh) * 2015-09-01 2016-01-06 国网浙江省电力公司经济技术研究院 一种山区地貌下强风三维脉动风场综合模拟方法
CN107180126A (zh) * 2017-04-24 2017-09-19 河海大学 一种桥梁风振监测传感器布置和风振响应重构方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
利用静态小波变换的非定常阵风分析与模拟;刘江等;《西安交通大学学报》;20090710(第07期);全文 *
基于自适应遗传算法的B样条曲线拟合的参数优化;孙越泓等;《计算机应用》;20100701(第07期);全文 *

Also Published As

Publication number Publication date
CN111274867A (zh) 2020-06-12

Similar Documents

Publication Publication Date Title
CN103870845B (zh) 点云聚类去噪过程中新的k值优化方法
CN113295702B (zh) 电气设备故障诊断模型训练方法和电气设备故障诊断方法
CN109270345A (zh) 一种电网谐波信号的检测方法
CN104751000B (zh) 一种机电复合传动状态监测信号小波降噪方法
CN109101910A (zh) 一种基于噪声甄别的大地电磁信号去噪方法
CN114241779B (zh) 一种城市快速路交通流短时预测方法、计算机及存储介质
CN110363229A (zh) 一种基于改进RReliefF和mRMR相结合的人体特征参数选择方法
CN112597930B (zh) 一种基于woa-vmd算法的信号去噪方法
CN115062670A (zh) 基于mpa-vmd去噪的管道泄漏检测方法及系统
CN108804731A (zh) 基于重要点双重评价因子时间序列趋势特征提取方法
Ratnarajah et al. Mesh2ir: Neural acoustic impulse response generator for complex 3d scenes
CN111260776B (zh) 一种自适应正态分析的三维形貌重建方法
CN107247931A (zh) 一种旋转机械振动信号降噪方法
CN115329880A (zh) 气象特征提取方法、装置、计算机设备和存储介质
CN111274867B (zh) 一种野外阵风模拟方法
CN115436469A (zh) 一种基于pso-vmd的衬板超声回波信号去噪方法
CN116504314B (zh) 基于细胞动态分化的基因调控网络构建方法
CN113869350B (zh) 基于空间特征差异的海流预测方法以及系统
Li et al. Adaptive DBSCAN Clustering and GASA Optimization for Underdetermined Mixing Matrix Estimation in Fault Diagnosis of Reciprocating Compressors
CN106780746B (zh) 基于简单互斥操作的蓝噪声采样方法
CN112731327B (zh) 一种基于cn-lsgan、stft和cnn的hrrp雷达目标识别方法
CN111326164B (zh) 一种半监督式音乐主旋律提取方法
CN114722648A (zh) 岩心声波响应的获取方法及装置
CN111931412A (zh) 一种基于生成式对抗网络的水中目标噪声lofar谱图仿真方法
CN117974736B (zh) 一种基于机器学习的水下传感器输出信号降噪方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information

Inventor after: Zhou Xiaosi

Inventor after: Yang Bin

Inventor after: Xiong Yimin

Inventor after: Liu Yuxin

Inventor after: Zhang Bo

Inventor after: Ren Yinghui

Inventor before: Yang Bin

Inventor before: Xiong Yimin

Inventor before: Liu Yuxin

Inventor before: Zhang Bo

Inventor before: Zhou Xiaosi

Inventor before: Ren Yinghui

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant