动态小波在变压器励磁涌流识别中的应用研究

电力变压器的励磁涌流识别一直是变压器保护的一个重要问题。动态小波是小波函数和傅里叶函数的组合,固此与常规小波变换相比。检测故障突变信号的能力更强。文中将动态小波运用于励磁涌流识别中,通过仿真实验证明了该方法提高了勋磁涌流鉴别的可靠性。     

动画演示与算法教学研究

算法南来就是计算机教学中的难点,一般算法教学方法很难有效帮助学生理解算法.通过分析算法动函演示的认知作用,强调只有好的算法动画演示才能有效促进算法学习,然后从认知主体需要出发,提出设计好算法动画演示的四个原则,说明只有认真调查研究每一个算法的演示目标和重点,合理安排演示内容和形式,才能设计出一个好的算法动画演示系统.     

多类支持向量机推广性能分析

为了分析多类支持向量机(Multi-category support vector machines,M-SVMs)的推广性能,对常用的M-SVMs算法加以概述,推导、总结了理论推广误差公式.对于给定的样本集,可以设计合理的编码来提高ECOCSVMs的推广性能,通过构造合理的层次结构来提高H-SVMs推广性能,其余M-SVMs算法的推广性能均取决于样本空间.研究结果为有效使用M-SVMs提供了依据,为改进M-SVMs指明了方向.     

基于熵和蚁群聚类算法的模糊支持向量机

摘 要: 模糊支持向量机(FSVM)对传统支持向量机(SVM)在对外围点和噪声数据敏感的缺陷做了重要改进。选取合适的聚类中心计算符合数据本身特征分布的隶属度,能使分类更加准确,提高测试精度。论文基于模糊支持向量机思想,提出一种新的模糊聚类模型—基于熵和蚁群聚类算法的模糊支持向量机(EAFSVM),为聚类中心和隶属度的计算提出了新方法。实验对比传统SVM和FSVM,结果表明EAFSVM测试精度较高,尤其对多类数据、大规模数据具有较好的分类能力。     

人工智能实验教学探讨

本文一方面简单介绍人工智能的基本理论及知识体系结构,另一方面则结合笔者的理论实践与实验教学经验,总结出目前在整个教学过程所存在的一些问题,目的在于不断总结经验,力争能更好地完成人工智能的整个教学工作,从而提高人才培养的质量,同时也可以为其他高校提供参考。     

武警机关办公自动化工作流协同模型研究

根据工作流管理系统参考模型的规范和武警机关办公实际,提出基于工作流管理系统规范的武警工作流协同模型的思想,并将其应用到网上公文审批的过程,实现了网上公文审批流程的自动化执行,提高公文审批效率,解决了网上审批中无法进行业务流程之间的有效协同问题。     

基于卷积神经网络的末敏弹复合探测信号识别方法北大核心CSCD

为了进一步提升末敏弹的目标识别性能,提出一种基于卷积神经网络(Convolutional Neural Network,CNN)的复合探测信号识别方法。首先针对毫米波辐射计、激光测距雷达和红外敏感器的复合探测信号特点,提出了3种构造输入样本的方法;然后根据不同的信息融合方式,提出了3种基本网络架构,分别构建了单通道、多通道CNN模型对输入信号进行特征提取和分类;最后通过高塔试验数据对模型进行训练和评估。测试结果表明,基于样本构造方案2和网络结构3的识别方法表现最佳,测试准确率达到了97.26%,所提样本构造方法和识别方法能够有效提取复合探测信号的特征,具有较高的识别精度。     

电钻+旋挖接力钻孔灌注桩施工技术应用

在建构筑物基础施工中,灌注桩得到广泛运用,但不同的地质条件,灌注桩的成孔方法也不同。本文介绍了在武汉地区邻近长江区域某超高层建筑地基施工中,采用电钻+旋挖接力成孔的施工方法及施工要点,供同类工程借鉴。     

C919飞机减推力飞越噪声级预测算法研究

为了在新设计飞机首飞测试前能够预测飞机减推力飞越噪声级,节省人员物力的消耗,缩短新设计飞机的设计周期,对飞机减推力有效感觉噪声级预测方法进行研究;利用飞机的相关控制参数和有效感觉噪声级公式推导了减推力飞越噪声级的预测方法;以空客、波音飞机为例,验证预测方法的有效性;并将该算法应用在国产C919飞机飞越噪声级的预测中。     

氧化石墨烯改性石蜡相变微胶囊的制备及性能研究

采用悬浮聚合法制备了以氧化石墨烯改性甲基丙烯酸甲酯-丙烯酸共聚物为壁材,固体石蜡为芯材的相变储热微胶囊。采用光学显微镜(OM)、扫描电子显微镜(SEM)、红外光谱仪(FT-IR)、差示扫描量热仪(DSC)和热重分析仪(TGA)等手段对微胶囊的表面形貌、化学结构及热性能等进行了表征和测试。结果表明:当芯壁比为4∶10,氧化石墨烯含量为0.6%(质量分数)时,氧化石墨烯在壁材中分布均匀,微胶囊的平均产率为87.41%,平均包覆率为71.06%。微胶囊呈规则球形,平均粒径为200μm,相变焓为73.5J/g。经改性后,微胶囊热性能增加,机械强度提高。