基于自学习模糊Petri网的知识化制造系统采购预测

对模糊Petri网进行改进,使其增加自学习能力,即自学习模糊Petri网(SFPN).提出了自学习模糊Petri网模型知识库的建立方法,通过构造SFPN模型知识库,建立并保存现有产品的SFPN模型,开发新产品或进行新的决策时调出并进行修正后作为新产品模型,通过较短时间和少量样本的自学习训练,便可用于新产品的预测或决策.最后通过采购预测实例验证了该方法的有效性.

     

基于BIST的动态可重构FPGA的时延故障测试方法

FPGA市场已经进入极速发展时代,不同的销售商已向市场投入更多更快的FPGA器件。随着FPGA器件的迅速发展,FP-GA的密度和复杂程度也越来越高,使大量的故障难以使用传统方法进行测试,因此,对FPGA器件的故障测试和故障诊断方法进行更全面的研究具有重要意义。为此重点研究了动态重构FPGA及其基本结构、特点;在此基础上探讨了基于BIST技术的FPGA时延故障测试方法,并成功应用于Lattice ORCA 2C系列FPGA中。实验证明,该BIST方法是可行且有效的,并且不需要昂贵的ATE设备。     

CPK数字签名和密钥交换协议

CPK密码体制提供多种数字签名协议和密钥交换协议,可以根据不同情况选用。 1密钥描述 1.1密钥的定义 用于数字签名和密钥交换的密钥如表1所示。     

基于ANSYS／CIVILFEM二次开发简支梁桥建模技术

结合简支梁桥的特点,介绍ANsYs／cIVILFEM采用UIDL、APDL和Tcl／Tk语言进行界面二次开发的方法,开发出建立简支梁桥模型的菜单、对话框和APDL程序,有助于快速、便捷的建立简支梁桥有限元模型。     

基于LPC2292的汽车智能组合仪表

介绍了一种汽车智能组合仪表的设计.讨论了汽车智能仪表的结构和功能,分析了系统的软件设计.该仪表以基于ARM7的微控制器LPC2292微控制器为控制核心.采用源代码开放的嵌入式实时操作系统μC/OS-Ⅱ作为应用程序的开发平台,实时显示和保存车速、发动机转速、水温、油位、总里程、子里程等车况参数,使汽车具有"黑匣子"功能.采用CAN总线建立通信网络.与传统汽车仪表相比.该仪表具有功能丰富、可靠性高、可视性好、通用性强等优点.     

数据驱动的企业信用风险最优组合评价模型

企业财务数据所提供的各类信息可以有效解释企业的信用水平,然而过多指标往往存在多重共线性问题,造成模型的过拟合,反而降低评价精度。为了约简指标数据,计算企业违约情况与财务指标的相关系数,剔除掉相关性弱的指标。采用Lasso回归方法对相关性高的指标数据进行约简,进而利用Logistic回归模型、贝叶斯模型和支持向量机三种分类模型对企业的信用风险进行分类评价。考虑到不同方法对不同企业的分类精度不同,为了综合利用各方法的优势,构建基于整数规划的企业信用风险最优组合评价模型。对300家创业板上市企业数据进行仿真分析,为了验证模型的有效性,在300家公司中（其中270家为训练样本,30家为测试样本）随机选取3组样本,使用ST公司被执行特别处理（special treatment,ST）前一年的数据进行测试,实验结果表明组合模型具有更高的稳定性和分类精度。     

含光伏电站的电力系统低频振荡广域阻尼协同控制方法

大规模新能源接入电网增加了弱阻尼振荡模式被激发的风险。首先,考虑同步发电机和光伏的动态特性,建立了详细的小信号模型,分析了光伏对低频振荡模式的影响,提出了含光伏电站的电力系统低频振荡广域阻尼控制架构,实现光伏-同步机协调阻尼控制;然后,以特征值分析结果为依据,提出了广域阻尼控制参数的优化模型,并对控制参数进行优化整定;最后,在PSCAD/EMTDC平台中搭建了含光伏电站的四机两区域系统电磁暂态仿真模型,验证了所提广域阻尼控制方法的有效性。     

秦二厂固体废物处理系统的优化改进

秦二厂固体废物处理系统装桶站存在成本高、固化质量差等缺陷,需进行技术改造以满足更高的管理和安全要求.改造将原浓缩液和废树脂的承运容器由水泥桶变更为金属桶,同时将原二站和四站设备进行变更,以配合金属桶的自动取封盖、树脂与水的精确测量.主要介绍了改造后系统控制实现方式、主要设备原理、施工过程及遇到的问题和处理办法。     

基于车载激光点云的铁路轨道检测

铁路轨道的局部变形直接影响火车的高速安全行驶。为实现铁路轨道的自动化巡查,提出一种从车载激光点云中提取轨面与枕木的方法。首先,利用基于高程约束的欧氏聚类对原始点云数据进行预处理,得到路基区域;然后,对路基区域进行网格划分,并对每个网格内的点云进行高程判断,从而提取出轨面点云;最后,利用枕木与砟石的几何形态差异,设计出一种面向轨道点云的动态阈值分割方法,以提取枕木点云。对多个路段的铁路轨道进行实验,结果表明,本文方法仅利用点云坐标信息就能实现不同区域的轨面与枕木的自动检测,平均提取质量分别达到97.8%和93.6%,验证了本文方法的可行性与有效性。     

基于自组织增量-图卷积神经网络的金相图半监督学习

采用深度学习对钢铁材料显微组织图像分类,需要大量带标注信息的训练集.针对训练集人工标注效率低下问题,该文提出一种新的融合自组织增量神经网络和图卷积神经网络的半监督学习方法.首先,采用迁移学习获取图像数据样本的特征向量集合;其次,通过引入连接权重策略的自组织增量神经网络(WSOINN)对特征数据进行学习,获得其拓扑图结构,并引入胜利次数进行少量人工节点标注;然后,搭建图卷积网络(GCN)挖掘图中节点的潜在联系,利用Dropout手段提高网络的泛化能力,对剩余节点进行自动标注进而获得所有金相图的分类结果.针对从某国家重点实验室收集到的金相图数据,比较了在不同人工标注比例下的自动分类精度,结果表明:在图片标注量仅为传统模型12％时,新模型的分类准确度可达到91％.