一种无人机用分布式电动舵机的研究

本文设计了一种无人机用分布式电动舵机,主要采用RS-422总线和分布式布局的设计思路,完成了控制电路、功率放大电路、执行机构和控制软件的设计。同时,通过多学科的联合仿真及试验验证,证明该电动舵机设计方案的合理性和可行性,以满足无人机对电动舵机的需求。     

跷跷板瞬心加速度的3种求解方法

运用3种方法研究传统跷跷板的瞬心加速度,即利用理论力学的点的合成运动方法,运动方程求导数方法和求极限的方法求加速度.基于这3种求跷跷板加速度的情况,特别提出极限法求加速度,从而判断跷跷板的运动情况,为传统跷跷板与轴转动跷跷板的动力分析比较准备条件.     

融合多源先验信息的舰船备件可靠性评估

舰船工作环境常导致备件的实际可靠性规律与设计参数不一致。在实际使用消耗量较小的条件下,全面分析备件可靠性信息来源,通过定义似然权重系数,融合多源先验信息,建立指数型备件可靠性的贝叶斯评估方法。最后,通过仿真分析验证方法的合理性。结果表明,所提出的基于似然权重的先验信息融合方法可以较好地融合不同信息源的可靠性信息,估计方法具有较好的稳定性。     

基于联合违约概率的资产组合投资优化方法

投资组合的资产联合违约概率(joint,probability of default,JPoD)是一种有效的系统风险测度工具.基于JPoD分析,提出了一种新的资产组合选择优化方法,即通过计算资产池中每两种资产的JPoD值得到JPoD矩阵,利用遍历算法逐次筛选,得出具有最小系统风险的多资产组合.实证分析首先利用2014 2015年的上证综指和深证成指数据验证了JPoD方法的有效性;其次,分别利用中国股票市场数据和美国股票市场数据将所提出的资产组合选择方法与马科维茨均值-方差组合理论、随机组合方法进行比较,结果表明无论是在中国股票市场还是美国股票市场,JPoD方法都明显优于其他两种方法.     

基于改进匹配网络的单样本学习

当前深度学习是基于大量标注数据样本通过多层网络实现模型自动识别。然而,在很多特殊场景下,难以获取大量标注样本数据,小样本物体识别仍是深度学习下关键性的难题。针对这一问题,首先利用4层深度卷积神经网络(deep convolution neural network,DCNN)提取训练样本和测试样本的高层语义特征,然后基于改进的匹配网络分别采用双向LSTM和attLSTM算法对训练样本和测试样本深入提取更加关键和有用特征并进行编码,最后在平方欧氏距离上利用softmax非线性分类器对测试样本进行分类识别。实验通过Omniglot数据集对提出的改进模型进行测试,取得了非常好的效果。改进的模型即使在最复杂的20 way 1 shot情况下,依然能够达到93.2%的识别率,Vinyals的原创匹配网络模型在20 way 1 shot的情况下只能达到88.2%的识别率,与原创匹配网络模型相比,改进的模型在类别数更多而样本数较少的复杂场景下具有更好的识别效果。     

人工智能背景下的配送网络优化方法研究

伴随着人工智能的快速发展,在配送领域内无人机得到广泛应用;针对卡车和无人机在配送中的特征,提出卡车与无人机联合配送模式下的路线网络规划问题;在假定该模式具体应用情境的基础上,分别以碳排放量以及配送效率为目标建立路径规划模型,根据模型的特征设计了相应的求解方法;最后通过算例论证联合配送模式的可行性与有效性。     

多级孔板提高井筒气体携液能力实验研究

气井生产时，井底积液会影响气井产量，甚至导致气井停产。加入泡沫剂、更换小直径油管或氮气举升等措施排出井底积液是保证气井生产的重要手段，但造成液体回流的井筒结构并没有变化。改变适合于单相流体的均一井筒结构，降低气液两相流中液体在井筒的回流，提高气体携液能力，形成适用于气液两相流的井筒结构，可以改善气井生产。实验设计了安装于管筒内的类似于倒置漏斗形的多级孔板装置，以井底气体为动能，借助“爬楼梯”原理，利用孔板减少或阻止液体回流，使液体通过多级孔板逐级上升；实验利用气体压缩机提供气源，测试了不同气体流速下，加入孔板对于气体和泡沫携液能力的影响。实验表明，在管筒内加入液体回流限制装置，大幅度地提高了管筒的气体携液能力和排液效果，减少了管筒液体回流量，降低了气体排液和泡沫排液的气体流速临界值。多级孔板可用于气井增产，能够提高气体携液能力，提高泡沫携液效果，降低泡沫剂的使用量和井底残液，但在实际生产中气体流量和装置的匹配性，还有待于在现场试验中进一步验证和优化。