基于LabVIEW虚拟仪器技术的湍流等离子体束热效率

为明确不同参数下等离子体发生器的热效率,从而精准掌握等离子体束的实时能量,进而将等离子体技术应用于氮化铝粉体等材料制备领域,科研团队基于自行研制的两路进气式湍流等离子体发生器,利用虚拟仪器技术以实验方式实现对湍流等离子体束热效率在不同工作参数组合下的实时在线监测,并分析了其热效率特性。实验结果表明： 1)热效率在保护气不变的情况下随主气的增大从51%增加到67%,而在主气不变的情况下,保护气的增大会使热效率呈现先增加后降低的现象。2)在其它工作参数相同条件下,70 A电流下的热效率比100 A电流下的热效率高4%左右。     

基于改进NSGA3的焊接缺陷评估特征选择

在基于多源信息融合的焊接缺陷评估中, 特征选择对提高评估精度与速度发挥着重要作用。多源特征集由电弧电特征与电弧声音特征组成, 其特点在于特征集中存在冗余与互补特征。因此, 本文提出一种基于改进非支配排序遗传算法-Ⅲ(non-dominated sorting genetic algorithm-Ⅲ, NSGA3)的多目标特征选择方法, 旨在从多源特征集中找到最优特征子集。该方法首先对特征集进行相关、冗余和互补特性分析, 再以冗余性最小, 相关性与互补性最大为目标建立多目标特征选择优化模型。并基于相关、冗余和互补评价函数提出一种新的变异算子来引导变异过程, 以减少无效特征的影响, 提高收敛效率。实验采用支持向量机作为学习器来验证学习效果, 结果表明, 所提方法与其他3种方法相比, 可以在特征子集维度和预测精度方面获得更好的性能。     

基于局部信息增强注意力机制的网络流量预测

准确预测网络中设备的流量状态对网络测量和管理具有重要的意义，有助于进一步提高网络服务质量和用户体验质量。然而，由于网络流量具有强烈的非线性和不确定性使得传统的统计方式或者机器学习方法很难获得较好的预测效果。为了进一步提升网络流量预测精度，设计实现了一种局部上下文信息增强的注意力机制，通过卷积计算将输入转换为Q和K，从微观角度对时间序列进行解释，提高了注意力机制的局部感知能力。进而将提出的注意力机制分别与长短期记忆人工神经网络(LSTM)和门控循环单元(GRU)两个时序预测模型相结合并将结合后的模型用于某运营商提供的两个不同网络流量数据集进行网络设备流量预测。实验结果表明基于局部上下文信息增强注意力机制的预测模型具有更好的预测效果。