基于自监督学习的交通数据补全算法

区域高速公路网收费站数量众多,每日产生海量收费数据,但由于设备、网络等因素,部分站点数据传输存在延迟现象,在此情况下已传输的数据往往不能满足实时流量预测的要求。为了实现实时交通数据补全和动态交通流量预测,文中首先提出了一种基于自监督学习的用于高速公路交通流量数据缺失补全的方法,该方法采用了基于注意力机制的时间序列模型（Seq2Seq-Att）;然后使用自监督学习方式对模型进行训练;最后,以广东省高速公路网的80个收费站为例,验证方法的可靠性。结果表明：文中的数据补全方法能够灵活捕捉交通数据中的缺失情况,并根据数据自身的内在关联性,给出合理的补全值;该方法总体优于其他方法,且在不同缺失率下都有较好表现,总体MAPE约为17.7%、WMAPE为12.8%;在高缺失率情况下,该方法相比于其他补全方法有明显的优势。交通量预测结果表明,使用该方法补全的数据进行交通流预测的预测精度接近使用完整数据的情况。     

机器人主动柔顺恒力打磨控制方法

为了解决打磨过程中打磨控制系统存在扰动问题,设计了一种机器人力控末端执行器,并提出了一种机器人主动柔顺恒力打磨自抗扰模糊变阻抗控制方法.所提方法的内环控制采用模糊变阻抗控制器,外环控制采用自抗扰打磨控制器.采用Lyapunov稳定性理论证明了所提方法的跟踪误差收敛为零.通过仿真和实验,验证了所提方法的有效性和适用性.研究结果表明：在内环控制相同情况下,与外环控制为PID控制器相比,所提出的机器人主动柔顺恒力打磨自抗扰模糊变阻抗控制方法减小了打磨过程中的力跟踪误差和位置超调量,提高了机器人打磨力控制系统的控制效果和鲁棒性,实现机器人柔顺恒力控制.     

基于残差卷积自注意力神经网络的铝电解过热度识别方法

过热度是反映铝电解槽当前生产效率的重要指标,由于过热度难以在线实时测量,本文提出一种基于残差卷积自注意力神经网络的过热度识别方法.针对铝电解生产过程数据为时间序列数据且具有多源异构特性,设计异构数据的同构表示方法.在此基础上建立残差卷积自注意力神经网络模型以提取同构时间序列数据的全局与局部特征.针对过热度数据标签少且类别分布不均匀问题,采用基于自动编码器的无监督预训练方法与加权交叉熵损失函数以提高过热度识别任务的性能.在基准数据集上进行仿真对比实验以验证本文所提方法的有效性,然后在只包含少量不平衡标签的铝电解过热度数据集上进行实验验证,结果表明本文构建的过热度识别模型相较与其他现有模型不仅提高了过热度识别准确率,而且在训练样本较少时保证了模型的泛化能力.     

自催化反应模型的行波解

运用常微定性理论的相平面分析方法讨论了自催化反应中的Ｋａａｓ－Ｐｅｔｅｒｓｅｎ模型,得到了行波存在的各种可能结果。     

体上矩阵方程AXB=C的（反）次自共轭解

设Ｆ是一个具有对合反自同构的体,定义了Ｆ上的（反）次自共轭矩阵,给出了Ｆ上的矩阵方程ＡＸＢ＝Ｃ有（反）次自共轭解的充要条件及其解的表达式。     

分层调整因子的模糊控制器

分析量化及比例因子对模糊控制性能的影响,设计一类分层调整量化及比例因子的模糊控制器．仿真结果表明,其控制效果优于常规模糊控制器．     

基于神经网络的无监督自学习控制系统

所论系统的控制由两个神经网络完成,即对象放识器和系统控制器。并且提出了一种 新的学习算法,它能利用存贮于辨识网络的信息改进控制策略。该控制系统可以对非线性系统,不确定系统等进行无监督的学习控制。     

一类Sierpinski海绵的Hausdorff测度

对每一个ｍ≥１,定义一个Ｓｉｅｒｐｉｎｓｋｉ海绵,它们的Ｈａｕｓｄｏｒｆ维数为１,它们的１－维Ｈａｕｓｄｏｒｆ测度被完全确定．     

基于阻尼最小二乘法的鲁棒自校正预测控制器

本文将广义预测控制器（GPC）与阻尼最小二乘法（DLS）相结合,构成一种鲁棒自校正预测控制器．仿真结果表明,这种算法比基于通常的递推最小二乘法（RLS）的自校正预测算法有更强的鲁棒性．     

The Potential-dependent Stability of Self-assembled Monolayers on Gold Electrodes Investigated by Electrochemical Method

用电化学方法研究了在金电极上十二烷基硫醇自组装单分子膜（ＳＡＭ）在乙腈、乙醇及丙酮中的电位稳定性．在０．０Ｖｖｓ．Ａｇ／ＡｇＣｌ（饱和ＫＣｌ）,十二烷基硫醇自组装单分子膜有最大的稳定性,在较负电位（如－２．０Ｖ）和较正电位（如＋０．６Ｖ）电解时,在不同溶剂中的ＳＡＭｓ的表面覆盖率则表现出不同程度的损失,但在三种溶剂中,最大稳定性的电位窗口是相似的