基于码头闸口数据的集卡周转时间短时预测方法

为给车辆调度优化以及集卡预约系统设计提供重要参考,利用所采集的深圳市某港口的码头闸口数据,建立一种基于数据挖掘的集卡周转时间短时预测方法.首先,通过对码头闸口数据进行分析,获取车辆到达时间分布、任务类型、作业方式等集卡作业特征以及集卡在码头内的周转时间;在此基础上,利用循环神经网络并结合训练集数据,建立集卡作业特征与其周转时间之间的映射关系.其次,为减少随机波动对周转时间预测效果的影响,利用小波分解算法对循环神经网络拟合结果的残差进行高频噪声分离,并通过自回归模型拟合过滤后的低频序列.最后,将拟合后的循环神经网络与自回归模型进行结合,建立一种支持集卡周转时间短时预测的组合模型,并利用测试集数据进行有效性验证.结果 表明,相比单一的循环神经网络,该组合模型可以大幅提升预测精度.     

基于生成对抗网络的半监督图像语义分割

提出了一种基于生成对抗网络的语义分割模型,包括一个全卷积语义分割网络以及一个判别网络,其中语义分割网络负责生成与输入图像对应的语义分割图,判别网络负责检测分割图与真实标签的区别,以促使分割网络改进分割效果。为了更好的提取全局结构信息,语义分割网络中采用了金字塔池化模块,对不同规模的空间区域进行池化操作。另外,为了应对语义分割训练数据集人工标注成本过高的问题,利用判别网络生成伪标签协助语义分割网络进行训练,从而实现了半监督训练效果。模型在PASCAL VOC2012数据集中进行了测试,结果表明该模型在全监督和半监督条件下均优于已有方法。     

喷油式主动再生柴油机颗粒捕集器控制装置的设计

文章基于Freescale 16位单片机S12XS64设计了一种柴油机颗粒捕集器(diesel particulate filter,DPF)再生过程控制装置,实现了DPF再生系统相关传感器的信号采集、执行器驱动、车载诊断系统(on-board diagnostics,OBD)和上位机软件通讯等功能。该系统设计了DPF再生控制策略,将控制装置设为断电、待机、工作、再生4种工作状态,通过测量得到的排气背压、DPF压降以及发动机转速来判断DPF主动再生时机,可以在DPF需要再生时通过控制供油泵、空气泵、火花塞和阀门等单元来实现DPF的再生过程;系统使用了多MOSFET并联来保证驱动器的可靠性,优化了系统工作电流,预防了信号干扰。该控制系统结构简单、稳定可靠,在城市公交改造项目的应用中工作稳定、操作便捷、尾气的净化处理效果显著,良好地实现了对喷油式DPF主动再生过程的控制,有很强的实用价值和广阔的应用前景。     

训练分期理论面临的挑战与未来发展

训练分期理论是运动训练学的经典理论，几乎所有体育项目在训练实践过程中都或多或少地受其影响。作为继马特维也夫之后对训练分期理论的发展最具有影响力的学者，图德·邦帕以其六版著作《训练分期：理论与实践》受到了世界范围内运动训练理论与实践的认可。2018年11月，邦帕教授受邀来华，并在上海与国内学者和教练展开了一次精彩对话。本文一方面再现了与邦帕教授对话的内容，另一方面也在对话的基础上由五位学者分别围绕训练分期理论的理论特征（熊焰）、训练分期理论的实践应用（资薇）、传统分期理论与板块分期理论（于洪军）、现代科技对训练分期理论的推动作用（黎涌明）和训练分期理论的未来发展（陈小平）五个方面展开论述。本文作者一致认为，训练分期理论在得以广泛应用的同时，需要更大程度借鉴多学科基础研究的成果，更大范围运用现代科技的设备和方法，更快速度实现训练经验向训练科学的迈进。     

分形集上广义调和拟凸函数的一些积分不等式

给出了分形实线集R~α(0α≤1)上广义调和拟凸函数的定义,并且建立了一些关于广义调和拟凸函数的推广的Hermite-Hadamard型和Simpson型积分不等式.最后给出了文中得到的积分不等式在分形实线上关于α型特殊均值的一些应用.     

脉冲间隔对喷射液滴大小的分析研究

实现对微液滴大小的精确操控具有重要意义,而喷射脉冲间隔对液滴体积有重要影响.首先,通过水平集方法建立微液滴喷射过程的数学模型.其次,使用多物理场仿真软件COMSOL Multiphysics对微液滴喷射过程进行数值模拟.分析微液滴喷射过程,并拟合数据得到液滴最终体积与脉冲间隔关系为正相关.该结果有利于实现对液滴体积的精确操控.     

追踪物理学中的跨领域模因

以美国物理学会旗下期刊2000—2019年发表的论文和Web of Science论文摘要为基础，用模因短语刻画知识，构建模因关系网络并引入跨学科测度Rao-Stirling指数以计算模因的跨领域分数，从而追踪物理学中的跨领域模因。分别从网络拓扑结构指标、跨领域测度指标和专业术语对比3个方面进行验证，证明了所提的模因关系网络和模因的跨领域分数可以有效反映知识在不同领域间的扩散现象。     

基于生成对抗网络的信号调制方式的开集识别

为解决信号调制方式的开集识别问题,基于生成对抗网络提出了一种适用于一维信号数据的重构判别网络模型,该模型由重构网络和判别网络组成,分别用来重构和判别输入信号。两个网络在相互对抗的训练过程中,对已知调制方式信号的数据分布形式充分学习,使得重构后的输出不仅能够呈现已知调制方式信号更多有用的信息,而且能够扰乱未知调制方式的信号,从而增强判别网络对输入信号调制方式的判别能力。仿真结果表明,该模型能够实现信号调制方式的开集识别,而且在信噪比大于0 dB时,对已知调制方式和未知调制方式信号的识别率均大于93%。