绝对式光电编码器的编码理论研究进展

介绍了用于角度测量的绝对式光电旋转编码器的编码理论研究概况,具体包括反射式格雷码、矩阵码、m序列码和单码道格雷码的绝对位置编码方法和编码特征。绝对位置编码的发展过程是以唯一性和单变性为基础特性,以单码道性为最终目标进行编码矩阵列数的缩减。目前,编码类型的发展经历了n条码道的反射式格雷码、n/3条码道矩阵码、2条码道的m序列码以及1条码道的单码道格雷码,已经达到单码道的最终目标。由于单码道格雷码编码理论尚不完善,仍依赖搜索获得编码,因此其快速构造方法是未来绝对位置编码理论的发展方向。最后,对近几年发展起来的基于图像传感器的非编码测量方法进行了介绍和展望,该方法是对传统测量方法的颠覆,有望成为光电式旋转编码器的另一个发展方向。     

非光滑凸问题投影型对偶平均优化方法的个体收敛性

对于一般凸问题,对偶平均方法的收敛性分析需要在对偶空间进行转换,难以得到个体收敛性结果.对此,文中首先给出对偶平均方法的简单收敛性分析,证明对偶平均方法具有与梯度下降法相同的最优个体收敛速率Ο(lnt/t).不同于梯度下降法,讨论2种典型的步长策略,验证对偶平均方法在个体收敛分析中具有步长策略灵活的特性.进一步,将个体收敛结果推广至随机形式,确保对偶平均方法可有效处理大规模机器学习问题.最后,在L1范数约束的hinge损失问题上验证理论分析的正确性.     

基于全局优化与深度学习的条形码识别方法

提出了一种在深度神经网络的基础上结合全局优化方法的条形码识别算法,利用卷积循环网络提取出条码中各字元的特征并进行分类,较传统方法具有更强的适应性与泛化能力,再进一步结合全局优化的方法,以达到充分利用条码结构性先验信息的目的,能显著提升方法的效果,尤其是将全局优化方法引入到神经网络中进行端到端学习,不仅保持了两者的优势同时还进一步提高了识别精度.实验结果证明了所提方法的有效性,达到约99.48％的识别精度,超越了传统的图像处理方法.     

CrN和CrN/Ag涂层的真空高温摩擦磨损性能*

为改善涂层在真空、高温等苛刻条件下的摩擦学性能，利用中频直流磁控溅射技术在硅片和316L不锈钢上沉积了CrN和CrN/Ag涂层，利用扫描电镜、透射电镜和X射线衍射仪对涂层的成分及相结构进行了表征，通过划痕测试仪、纳米压痕仪和摩擦磨损试验机测试了涂层的力学及摩擦学性能。结果表明：添加Ag元素以后，CrN/Ag涂层硬度及承载能力有所减小，但结合强度增加；真空高温环境下CrN与CrN/Ag涂层摩擦因数随温度升高呈下降趋势，其中CrN涂层通过软化镀层减小剪切强度和阻力，从而减小摩擦因数，CrN/Ag涂层主要通过高温产生的热驱动力诱导表面Ag润滑膜的形成来减小摩擦因数；CrN涂层依靠自身剪切特性参与摩擦，而CrN/Ag涂层在真空高温下具有自润滑和持续润滑性能，作为自润滑零部件具有潜在的应用价值。     

基于堆叠稀疏去噪自动编码网络与多隐层反向传播神经网络的铣刀磨损预测模型

刀具磨损状态是机械加工过程中需考虑的重要因素之一.针对铣刀磨损的在线预测问题,建立了一种基于深度学习的铣刀磨损预测模型.首先,将采集到的铣刀切削时的振动信号进行小波去噪后,利用快速傅里叶变换和小波包分解等技术提取时域、频域及时频域上的特征参数,并根据相关性分析从中筛选出合格的特征参数合并为特征向量,以此作为堆叠稀疏去噪自动编码网络(SSDAE)的含噪样本.其次,利用特征后处理的方式对已经筛选出的特征参数进行单调不递减及平滑处理,并将其作为SSDAE的无噪样本来训练该网络.然后,将经过SSDAE降维后的特征向量作为多隐层反向传播神经网络(BPNN)的输入,以这些特征对应的实际铣刀的磨损量作为标签对该网络进行拟合训练.最后,对训练好的模型进行实验验证,通过测试数据集和人为加入噪声的测试数据集的对比,结果显示所提模型不仅具有较高的预测精度,还具有较高的鲁棒性.     

我国水-能源-粮食耦合关系及影响因素

为缓解我国水、能源和粮食资源紧张问题，促进资源可持续利用，构建水-能源-粮食系统，利用耦合协调度模型对我国的30个省（自治区、直辖市）进行测算,并利用空间杜宾模型分析主要影响因素。结果表明：2003—2017年，我国能源、粮食评价[JP]指数高于水资源评价指数，系统综合评价指数逐年递增；大部分省份耦合协调度处于初级协调水平且呈现逐年上升的态势，个别省份耦合协调度濒临失调；耦合协调度空间自相关性较强，虽有明显波动，但是呈现逐年加强的态势；影响耦合协调度的主要因素有从业人口数、固定资产投资额、人均生产总值、人口总数、[JP]文盲人口占比、工业污染排放、城镇化。     

基于改进粗糙集的混合传感器节点分类算法

混合传感节点的属性较难形成统一识别特征，其节点属性约简过程复杂，存在分类时间长及分类性能差的问题。为此，提出了基于粗糙集的混合传感节点高精度分类算法。在初始化传感节点的基础上计算适应度值，利用遗传算法优化粗糙集修正校验结果，获得统一编码形式的节点。在此基础上，排除了属性权重为“0”的属性，完成节点属性约简。再利用普通分类方法和高级分类方法结合的方式，进行混合节点分类。根据约束条件选取对应的分类方法，实现混合传感节点高精度分类。仿真结果表明，所提算法的分类用时低于520 ms，且该方法的查全率、查准率及F1值均高于对比方法，混合传感节点分类性能较好。