基于实时数据库技术的流程工业制造执行系统的设计

文章介绍了一种基于实时数据库技术的流程工业MES的设计方案,给出了流程工业MES体系结构及其功能模块,详细介绍了流程工业MES基于pSpace实时数据库的设计。实际应用表明,该MES实现了生产计划调度管理、质量管理、成本管理、绩效考核、设备管理和数据采集存储管理等功能,达到了企业生产过程和管理的一体化要求。     

紧急停车系统(ESD)的实现

依据安全仪表设计的相关标准与规范,分析了ESD系统设计的原则.依据安全完整性等级的要求,确定系统的性能指标,包括可靠性、独立性、故障安全性和简单性.并阐述了联锁逻辑控制器结构和逻辑功能的要求.最后给出了故障输入信号处理的方法,联锁输出控制调节阀和电气设备的原理图,以及故障报警系统的设计方法,对ESD系统的工程设计具有一定的指导意义.     

基于KISOMAP-LDA-KNN算法TE过程故障诊断研究

针对化工连续生产过程的时序性及非线性等特征,文章提出了一种基于KISOMAP-LDA-KNN的非线性故障辨识方法。首先采用核等距映射（KISOMAP）算法在保持训练数据内在几何结构下进行非线性降维,然后使用线性判别（LDA）算法保持数据的最佳分类效果下进行降维,完成过程的特征提取,最后用K近邻（KNN）算法进行模式分类。将上述方法应用到TE过程,仿真结果验证了该故障诊断方法有较高的辨识能力。     

PKI网络信任模型的分析与研究

信任模型是整个网络安全体系的基础,决定了在网络上采用信任的形式与采用该形式带来的信任风险,并提供了建立和管理信任关系的框架。可见,对于信任模型的研究在网络安全中非常重要。文章着重分析了基于PKI的各类信任模型的信任机制、认证过程及其存在优缺点,指出了各类信任模型对网络信息安全产生影响的主要原因。通过总结与对比,指出了PKI信任模型的设计策略与发展趋势。     

一种改进的有间隔流形ISOMAP算法

ISOMAP算法成功应用的潜在条件是要求数据集均匀抽样于单个的内在流形。如果数据集均匀采样于某个内在流形,但内部出现了一个间隔,ISOMAP算法可能失效。提出了G-ISOMAP(ISOMAP with a Gap)算法,该算法充分利用了数据集中的间隔特性。首先检测被间隔的子流形间最短欧氏距离对应的数据点,然后将这些数据点互相设置为邻域点,最后用ISOMAP算法找到低维嵌入结果。对G-ISOMAP与ISOMAP算法的区别与联系进行了详细的理论说明,得出ISOMAP算法是G-ISOMAP算法的一个特例,G-ISOMAP算法是ISOMAP算法扩充的结论。实验结果验证了该算法比其他常用的流形学习算法在有间隔的数据集上更有效。     

一种WIA网络中的无线低功耗温度传感器节点设计

介绍了WIA中以MSP430F149单片机为核心的热电阻温度采集节点软硬件的设计方法。针对热电阻负温度信号设计了调理电路,并增加了电源监测的功能。该系统选用向下兼容HART协议的WIA无线模块,结合Matlab工具进行温度系数的远程标定。测试表明经标定修正后的节点在满足低功耗的前提下可实现较大区间温度的高精度测量,可应用于WIA环境中工业流程控制、工业安全监测等多种场合。     

适用于地震数据可视化的体绘制模型与算法

论文根据勘探数据量大、内部信息细节不重要等特点,应用了变密度粒子模型,使得分析人员能对油气藏的位置和储量等进行分析,从而能准确地确定钻井的位置,减少了风险。对传统的光线投射算法作了改进,对光线和体素立方体进行了离散化处理,以层为单位遍历数据场,大大地减少了绘制时间,节约了内存空间。     

基于奇异值分解行人对齐网络的行人重识别

为解决行人重识别的训练数据集中自动检测出的行人图像背景过大和行人部分缺失的错位现象问题,使用空间变换网络层对图像错位进行处理。为优化整个网络的深度学习过程,提高图像检索能力,增加网络特征层,使用奇异值向量分解方法对其进行处理。将行人对齐网络和奇异向量分解相结合,构造奇异值分解行人对齐网络,既可解决图像错位问题,又提高图像特征的相似性度量的效果。在Market1501、CUHK03和DukeMTMC-reID数据集上进行试验,并与行人对齐网络和其他深度学习与非深度学习的行人重识别方法进行比较,试验结果中整个网络的平均检索精度和行人图像第一次匹配正确的概率平均达到了65%和80%左右,这表明奇异值分解行人对齐网络可以提高对行人匹配的效果。     

癌细胞显微图像分割与识别研究

文章采用竞争Hopfield神经网络的自动聚类分割方法从腹水脱落细胞显微图像中分割可疑细胞和可疑细胞核,提取癌细胞的15个形态特征,利用柔性BP神经网络分类器对腹水脱落癌细胞进行分类识别。通过对临床病例的检验分析,表明该方法能获得较高的诊断正确率。     

近邻中心迭代策略的单标注视频行人重识别

为解决视频行人重识别数据集标注困难的问题,提出了基于单标注样本视频行人重识别的近邻中心迭代策略.该策略逐步利用伪标签视频片段迭代更新网络结构,以获得最佳的模型.针对预测无标签视频片段的伪标签准确率低的问题,提出了一种标签评估方法：每次训练后,将所选取的伪标签视频片段和有标签视频片段特征中每个类的中心点作为下一次训练中预测伪标签的度量中心点;同时提出基于交叉熵损失和在线实例匹配损失的损失控制策略,使得训练过程更加稳定,无标签数据的伪标签预测准确率更高.在MARS,DukeMTMC-VideoReID这两个大型数据集上的实验验证了该方法相比于最新的先进方法,在性能上得到非常好的提升.