基于故障风险标尺的复杂装备健康状态分类模型

针对复杂装备故障呈现出多重性、相关性及模糊性的特点,本文分析了装备健康状态演化规律,利用自适应模糊神经网络、故障模式、影响及危害性分析构建故障风险标尺,实现了对复杂装备故障风险程度的定量化描述及装备健康状态的分类。通过实验分析,本文提出的模型相比于传统的故障预测以及故障风险程度定量方法具有显著优势,实现了对装备从设计生产、部署使用以及退役报废全寿命周期的动态反馈,对提高复杂装备综合保障能力具有重要意义。     

能量有效的NOMA多用户-多信道匹配算法

针对非理想信道状态信息(channel state information, CSI)下面向海量用户的无线资源高效分配难题,通过引入非正交多址(non-orthogonal multiple access, NOMA)技术提出了一种能量有效的多用户-多信道匹配方案。首先,考虑用户中断概率约束,建立以最大化系统能量效率为目标的非理想CSI蜂窝下行NOMA系统信道和功率联合分配优化问题;然后,将建立的含概率约束的优化问题转化为非概率约束优化问题,并从中解耦出用户-信道匹配优化问题;最后,将面向能量效率的NOMA用户-信道匹配优化问题映射为婚姻匹配问题,进而提出一种高效低复杂度的双边匹配算法实现了多用户-多信道的动态匹配。仿真结果表明,提出的匹配算法性能优于传统匹配算法,能够提供更高的系统能效、实现更低的用户中断概率且收敛速度更快。     

基于深度学习的节假日高速公路交通流预测方法

准确的预测节假日期间高速公路交通流量，能够为节假日高速公路应急管理提供重要的数据基础。利用深度学习的理论框架建立了LSTM-SVR 预测模型，利用BP 神经网络对样本数据进行处理，再将LSTM 捕获的数据特征输入SVR 回归层中实现交通流预测。选取“ 十一” 黄金周前后时段，利用位于丽江市的交调站流量监测数据对LSTM-SVR 模型进行验证，并将LSTM-SVR 模型与其它模型预测效果进行对比。发现LSTM-SVR 模型在节假日不同时段、天气、流量状态下的高速公路交通流预测中有较好的适用性。     

一种结合BLS签名的可拜占庭容错Raft算法

针对Raft算法中的拜占庭容错问题，提出结合BLS签名的拜占庭容错（RaftByzantine fault tolerance，RBFT）算法.首先，利用BLS签名实现阈值签名，将投票过程转化为阈值签名过程，并将该过程与Raft算法的AppendEntries消息和RequestVote消息结合，尽可能地减弱容错过程对共识效率的影响；其次，通过增量哈希引入安全状态，保证了日志的不可篡改性；接着引入客户端对Leader节点的动态监控，以避免拜占庭Leader节点消极反馈的发生，进一步保证了算法的活性；最后，由本地多节点仿真实验表明：RBFT算法有效提升了数据吞吐量和可拓展性，并降低了交易延迟.     

基于改进Meanshift算法的刀闸实时状态的精准跟踪

以变电站中的双柱式水平刀闸为例,基于传统Meanshift算法和局部二元模式(LBP)编码增强结构特征,提出改进的Meanshift算法,用该算法解析刀闸工作视频信息,实现刀闸实时状态跟踪.通过对87个刀闸开合视频的跟踪实验可知,改进算法在X方向的跟踪精度提高了120%,Y轴方向的跟踪精度提高了800%.因此,该算法为刀闸状态的准确识别提供了新的手段.     

基于有监督核自组织映射的锂电池健康状态预测

高效准确地预测锂电池的健康状态(State of health,SOH)可以保证锂电池的正常运行,提高维护效率及电池本身的稳定性。提出一种基于有监督核自组织映射(Supervised kernel self-organizing map,SKSOM)的建模方法用于锂电池SOH预测。首先,对锂电池的原始放电数据进行预处理及归一化;然后,设计并优化了针对SKSOM的输入特征,在此基础上训练出SOH预测模型;最后,在美国国家航空航天局(National Aeronautics and Space Administration,NASA)的标准锂电池数据集上进行验证。实验结果表明,该文所用的预测模型能有效挖掘出锂电池的SOH规律,预测性能优于其他已有的SOH预测模型。