基于自注意力对抗的深度子空间聚类

子空间聚类(Subspace clustering)是一种当前较为流行的基于谱聚类的高维数据聚类框架.近年来,由于深度神经网络能够有效地挖掘出数据深层特征,其研究倍受各国学者的关注.深度子空间聚类旨在通过深度网络学习原始数据的低维特征表示,计算出数据集的相似度矩阵,然后利用谱聚类获得数据的最终聚类结果.然而,现实数据存在维度过高、数据结构复杂等问题,如何获得更鲁棒的数据表示,改善聚类性能,仍是一个挑战.因此,本文提出基于自注意力对抗的深度子空间聚类算法(SAADSC).利用自注意力对抗网络在自动编码器的特征学习中施加一个先验分布约束,引导所学习的特征表示更具有鲁棒性,从而提高聚类精度.通过在多个数据集上的实验,结果表明本文算法在精确率(ACC)、标准互信息(NMI)等指标上都优于目前最好的方法.     

基于状态空间的大功率转子斩波调速系统

针对大功率(兆瓦级)转子斩波串级调速系统的斩波回路建模问题,提出一种基于状态空间平均法的斩波回路模型,该模型包含了回路中的绝缘栅双极型晶体管(IGBT)与续流二极管(FWD)非线性元件,解决了在大功率下串级调速系统控制系统设计难的问题。实验表明,设计的双闭环调速系统有良好的可靠性,稳定性,静、动态特性及较高的功率因数。现该系统已运行于工业现场,节能效果良好。     

基于温度补偿控制的水电阻软启动器的建模与仿真

针对大功率电动机在直接启动过程中启动电流过从而对电网产生较大的冲击的问题,设计一种基于温度补偿控制的水电阻调速器的大功率转子绕线异步电机软启动及调速系统。介绍水电阻器的结构以及原理,采用ARPS经验公式分析温度变化对电解质溶液的电阻率影响,建立基于水电阻调速的异步电动机调速系统动力学数学模型,提出了温度补偿的控制方法,通过Matlab/Simulink仿真验证模型及算法的有效性。仿真结果表明采用温度补偿的水电阻器调速系统启动电流较小,启动转矩平滑,调节速度快。     

基于温度补偿控制的水电阻软启动器的建模与仿真

针对大功率电动机在直接启动过程中启动电流过从而对电网产生较大的冲击的问题,设计一种基于温度补偿控制的水电阻调速器的大功率转子绕线异步电机软启动及调速系统.介绍水电阻器的结构以及原理,采用ARPS经验公式分析温度变化对电解质溶液的电阻率影响,建立基于水电阻调速的异步电动机调速系统动力学数学模型,提出了温度补偿的控制方法,通过Matlab/Simulink仿真验证模型及算法的有效性.仿真结果表明:采用温度补偿的水电阻器调速系统启动电流较小,启动转矩平滑,调节速度快.     

诱发电位仪系统设计实现方案

诱发电位信号是微伏(μV)级信号,容易被环境噪声、系统内部噪音和其他电生理信号淹没。采用微伏级信号检测技术,多导联高速数据同步采集技术和恒流电刺激技术,构造电刺激器、双核控制器、采集电路、上位机四大功能模块,形成一套完整的基于双核的精密诱发电位仪系统的设计方案。该诱发电位仪系统具有安全系数大、抗干扰能力强、可靠性高等优点,具有较高的应用价值和良好的市场前景。     

模糊Petri网故障诊断技术应用

故障诊断的模糊Petri网模型,将Petri网和模糊推理相结合建立.其中,用FPN表示模糊产生规则,用Petri网的变迁激活规则进行故障诊断推理,从而分析出异常行为过程间的因果关系,推理出故障的原因及其可信度.以某型飞机电力启动系统故障为例,用模糊Petri网对其进行故障诊断,结果证明该技术可行有效.     

“C语言程序设计”课程教学探讨

文章针对目前“C语言程序设计”课程教学中存在的一些问题，作出分析和思考。提出针对C语言的实际应用，提高学生的学习兴趣。发挥多媒体教学的优势，提高课堂生动性及学生能动性，提高课程教学质量。创造各种学习和实践条件，加强学生能力的培养，提高学生的开发技能。     

医用新型高精密恒流电刺激器系统的设计

提出一种新型医用高精密恒流电刺激器系统的整体方案,可作为诱发电位的电刺激器,也可用作功能式神经肌肉电刺激器。针对高精密恒流电刺激器对刺激电压高伏值和刺激电流高精确度的设计要求,电源设计部分采用推挽升压后再倍压整流得到一个平稳的360 V高压,同时电路中的12 bit D/A和运放组成的恒流源电路可以保证一个高质量的脉宽低于10 μs、最大100 mA恒定电流的产生。针对高精密恒流电刺激器的高人体安全系数的要求,对电路中的控制信号、反馈信号和通信信号采用光电隔离,并对供电电源采用DC-DC电源隔离屏蔽;同时设计了过流保护电路、脉宽限制电路和脉宽检错电路,结合底层硬件保护和上层脉宽检错电路的双重安全保护措施,大大提高了刺激器的安全系数。系统硬件电路的仿真和实际测试结果证明该设计方案的可行性和可靠性可满足临床医疗检测的要求。     

基于自注意力对抗的深度子空间聚类

子空间聚类(Subspace clustering)是一种当前较为流行的基于谱聚类的高维数据聚类框架.近年来,由于深度神经网络能够有效地挖掘出数据深层特征,其研究倍受各国学者的关注.深度子空间聚类旨在通过深度网络学习原始数据的低维特征表示,计算出数据集的相似度矩阵,然后利用谱聚类获得数据的最终聚类结果.然而,现实数据存在维度过高、数据结构复杂等问题,如何获得更鲁棒的数据表示,改善聚类性能,仍是一个挑战.因此,本文提出基于自注意力对抗的深度子空间聚类算法(SAADSC).利用自注意力对抗网络在自动编码器的特征学习中施加一个先验分布约束,引导所学习的特征表示更具有鲁棒性,从而提高聚类精度.通过在多个数据集上的实验,结果表明本文算法在精确率(ACC)、标准互信息(NMI)等指标上都优于目前最好的方法.     

基于自注意力对抗的深度子空间聚类

子空间聚类(Subspace clustering)是一种当前较为流行的基于谱聚类的高维数据聚类框架.近年来,由于深度神经网络能够有效地挖掘出数据深层特征,其研究倍受各国学者的关注.深度子空间聚类旨在通过深度网络学习原始数据的低维特征表示,计算出数据集的相似度矩阵,然后利用谱聚类获得数据的最终聚类结果.然而,现实数据存在维度过高、数据结构复杂等问题,如何获得更鲁棒的数据表示,改善聚类性能,仍是一个挑战.因此,本文提出基于自注意力对抗的深度子空间聚类算法(SAADSC).利用自注意力对抗网络在自动编码器的特征学习中施加一个先验分布约束,引导所学习的特征表示更具有鲁棒性,从而提高聚类精度.通过在多个数据集上的实验,结果表明本文算法在精确率(ACC)、标准互信息(NMI)等指标上都优于目前最好的方法.