摘要：是歌曲中最让人印象深刻的片段,通常是重复度最高的副歌的一部分.提出一种新的歌曲摘要提取算法.该算法首先在特征提取阶段引入状态空间嵌入来增强音频特征本身的鲁棒性.然后,我们设计了使用递归图的新算法来检测歌曲内所有可能的相似片段集合.最后对相似片段集合进行归类统计,从中选择重复度最高的那一段.在不同语言和不同种类的歌曲库上的实验验证了该算法的有效性,并且对比实验显示该算法优于其他典型的基准系统.

摘要：在实际沉降监测中,由于不确定性因素的影响,导致基于实测沉降数据的工后沉降预测误差较大。采用递归图和递归定量分析方法对沉降时间序列的可预测性进行分析,选择出预测效果好的沉降时间序列,进行准确的工后沉降预测。通过对无砟轨道整体道床的沉降时间序列进行可预测性分析得出:(1)沉降时间序列具有混沌特性;(2)沉降时间序列的递归图颜色分布越规律、色彩深浅变化越均匀,沿着主对角线出现的白色区域越小,沉降时间序列的可预测性越强;(3)通过提取递归定量指标随时间变化的曲线,可以直接确定预测时间起点;(4)利用递归图求取二阶任意熵作为沉降时间序列的可预测步长因子,可推算出预测效果最佳的沉降时间序列。

摘要：为研究递归图和多层前馈(BP)神经网络在桥梁损伤识别方面的应用,以某大跨斜拉桥为例,采用ABAQUS有限元软件建立其三维模型,通过动力分析提取该三维模型的加速度曲线并进行递归图处理和BP神经网络分析。研究结果表明:递归图方法能够初步地识别主梁的损伤位置和损伤程度;BP神经网络分析能够精确识别主梁损伤的具体位置和损伤程度值,且识别准确率均大于85.0%。该方法可为类似桥梁工程的损伤识别提供借鉴。

摘要：针对传统手势识别准确率不高、鲁棒性不强的问题,通过研究静态手势轮廓特征,从手势边缘序列角度出发提出一种基于手势边缘轮廓递归图的CK-1距离的手势识别算法CSRP.首先通过阈值分割获取手势区域图像;然后定位起始点坐标,建立随着空间位置变化的手势边缘序列;为了克服边缘序列数据的不等长问题,构造基于时空域的手势轮廓序列递归图;最后利用MPEG-1压缩算法计算手势递归图像之间的CK-1距离,完成手势识别.实验结果表明,该算法在手势发生旋转、平移、缩放时具有较高的鲁棒性,并且计算量小、效率高,手势识别的准确率高达97%.

摘要：为实现板梁桥铰接缝损伤的定量定位识别,提出了一种基于递归奇异能量指标的损伤识别方法:首先将待测桥梁各相邻梁体的竖向冲击振动响应进行交叉递归分析并得到无阈值交叉递归矩阵,其次对各递归矩阵进行奇异值分解以进一步提取损伤特征,最后对奇异值求取能量(递归奇异能量指标(recurrence singular energy index,RSEI)),进一步建立了基于该指标的铰接缝损伤识别方法,并对其适用性进行了分析。结果表明:RSEI指标对板梁桥铰接缝损伤较为敏感,所提方法仅在板梁桥跨中布置一排传感器即可实现铰接缝平均损伤程度的定量识别,并可实现损伤铰缝的定位,识别效果良好;铰接缝损伤位置、损伤个数及噪声对识别结果的影响极小,冲击位置会对识别结果造成一定影响,但识别效果在可接受的范围之内;应用RSEI指标开展板梁桥铰接缝损伤识别时,建议将冲击位置设在边梁跨中,可避免冲击位置对识别结果造成的影响,取得更加理想的识别效果。

摘要：研究目的:为探究非平稳风速对大跨桥梁抖振响应的影响机理,以两组实测非平稳风速样本为例,首先提出建立非平稳风速模型的三层次方法;其次通过递归图分析获得一种有效衡量风速非平稳强弱程度的定量指标;然后采用快速CQC方法(虚拟激励法)建立非平稳瞬态风-桥梁结构抖振随机响应的计算方法;最后以某座山区悬索桥为工程背景,针对强弱两组风速对大跨桥梁抖振响应的影响进行对比与总结。研究结论:(1)非平稳性弱的实测风速样本可简化为平稳抖振理论进行分析,可显著提高风致响应的计算效率;(2)脉动风速非平稳性越强,大跨桥梁振动响应越远离稳定状态;(3)对于非平稳指标较强的实测风速样本,常规的平稳处理(10 min常值平均风速+平稳脉动风速)将会低估桥梁的抖振响应,需要进行精细化的非平稳瞬态响应分析;(4)本研究成果可为大跨径桥梁精细化的风致响应快速求解和抗风设计提供技术支撑。

摘要：传统上对网络流时间序列分析多采用线性分析方法,没有充分利用到网络流客观存在的非线性特征信息,从而使数据分析能力受限。提出了基于定量递归分析递归率REC特征的网络流量相空间重构监测模型,基于相空间重构和递归图分析,设计了网络流量的REC递归率的定量递归特征作为网络流量序列分析的数据支撑。使用平均互信息算法和虚假最近邻点算法求取流量序列的相空间重构的关键参数,利用递归图中有规律的点线检验网络总出口流量的确定性和可预测性,利用REC特征监测网络流量序列的异常流量和特性进行分析。仿真实验表明,网络流量序列的定量递归特征具有较强的稳定性和自相似性,精度较传统特征统计方法提高19%以上,采用REC递归率特征对异常流量序列的预测预报监测准确率为99.7%,比采用传统的其它非线性递归特征提高了13.2%,展示了算法在网络流量和非平稳数据序列分析中的优越性能。