基于CRC的ASM信号维特比纠错算法

为提高甚高频数据交换系统(very high frequency data exchange system, VDES)中应用特定消息(application-specific messages, ASM)的解码性能, 提出一种基于循环冗余校验(cyclic redundancy check, CRC)的改进维特比纠错算法。通过合理降低符号状态数和使用部分CRC参与纠错, 使该算法平衡了纠错性能和计算量, 同时提出了新的分支度量以解决过于理想化的传统分支度量导致的性能损失。仿真表明, 新分支度量相比传统分支度量提升了1 dB的误帧率(packet error rate, PER)性能, 在用12个CRC寄存器参与纠错的条件下，该方法比相干解调算法提升了1 dB的PER性能, 同时通过合理的符号状态数降低策略将计算量降为传统算法的1/4。     

LINE-SERU转化的评价分析——以某医疗制造企业实施SERU为例

面对日益增加的需求不确定性及激烈的市场竞争,SERU (赛汝)生产方式应运而生,并广泛应用于日本电子装配制造企业.国内一些制造装配业正尝试将传统的流水线转化为SERU装配方式,简称LINE-SERU转化.一些文献报道了日本企业实施LINE-SERU转化的效果,而学术界对国内企业实施SERU装配方式的生产组织与运行效率缺乏理论分析和标杆分析.本文以国内某医疗器械装配企业实施LINE-SERU转化为例,通过理论分析和数据分析,系统地讨论了国内企业实施LINE-SERU转化的背景、过程、影响因素及生产组织形态,从多维度比较分析了改善效果及原因;总结了国内企业与日本企业在SERU系统的构建方式、布局形态和企业文化等方面的差异.研究发现,中国企业处于LINE-SERU转化的初期,SERU系统具有其独特的组织形式,在提高生产效率、缩短生产周期、减少在制品数量、精简作业人数和降低次品率等方面均有显著提升,但改善效果不同于日本企业.建议国内企业依据其人力资源特征构建SERU系统、优化单元布局、培育以人为本的企业文化,以提高系统柔性和改善效率.     

基于概率神经网络的地铁车站易损性分析

基于深度学习方法提出了一种地震响应概率模型，并基于此模型推导了地铁车站结构极限状态超越概率的计算公式，以评价结构的地震易损性。首先采用主成分分析对地震强度指标进行正交化和降维；为了克服传统地震响应概率模型中地震动强度指标与结构地震响应指标服从对数空间线性分布假设的局限性，基于BP神经网络建立趋势模型以预测结构的地震响应；基于概率神经网络建立误差模型以描述基于统计的趋势模型与基于物理机制的数值模型之间的误差，以拓展残差的齐次方差正态分布假设的严格限制。最后，以上海典型2层三跨地铁车站为算例，计算得到其易损性曲线。结果表明，基于深度学习建立的趋势模型较好地模拟了地铁车站结构地震响应随地震强度指标第一主成分的非线性变化特征；建立的误差模型准确地描述了趋势模型预测值的残差随地震强度指标第一主成分的方差非齐次特征。     

数据驱动的铝基复合材料性能预测和逆向设计

采用数据驱动的方法对 SiCp(0.5CNT)/7075Al 铝基复合材料的化学成分以及制备工艺进行了分析, 针对抗拉强度和延伸率两个力学性能进行了特征重要性分析, 构建了包含 8 种机器学习算法的集成框架, 自动进行模型的参数调优和最优模型选择, 并在此基础上进行了材料逆向设计. 实验结果表明, 在 470 ${^\circ}$C 固溶 40 min, 120${^\circ}$C 时效 15 h 的热处理工艺下, SiCp(0.5CNT)/7075Al-1.0Mg 复合材料抗拉强度和延伸率的预测值为 617.48 MPa 和 2.98%, 实验值为 647.0 MPa 和 3.31%, 两项物理性能的平均绝对百分比误差(mean absolute percentage errors, MAPE)较小, 依次为 4.56% 和 9.97%. 这说明本数据驱动方法对铝基复合材料的工艺优化和性能提升有一定指导意义.     

加速寿命数据的贝叶斯建模与分析

在加速寿命试验的可靠性设计中, 随机化设计的限制以及删失数据不可避免地导致低分位数估计出现较大的偏差。针对上述的问题, 结合贝叶斯抽样技术以及非线性混合模型(nonlinear mixed model, NLMM)提出了一种可靠性改进的分析方法。首先, 需要检验所收集的数据是否服从威布尔分布以及验证形状参数是否是恒定常数。其次, 考虑随机效应对尺度参数和形状参数的影响, 运用NLMM构建了尺度参数和形状参数与试验因子之间的函数关系。然后, 利用贝叶斯方法估计低分位数的可靠性寿命。最后, 实际案例研究表明, 在考虑删失问题和未完全随机设计的影响时, 所提方法能够获得更为稳健和可靠的估计结果。     

基于学业成绩的师范生教师资格获得预警研究

本研究指出,教师资格考试是我国教师准入管理制度的重要环节,师范生教师资格证的获得是师范生职业发展的第一道门槛.本研究通过建立教师资格证考试内容与大学学科课程的对应关系,采用基于密度的离群点检测算法模型,以数学与应用专业学生的课程成绩为实验样本进行数据挖掘分析,识别学业危机学生.研究结果表明,该预警方法可以识别出教师资格获得危机学生,引起学生对教师资格证考试备考的重视,为教师提供预警干预学生的依据,有利于教师精准施教.该预警方法对离群特征显著的学生预测可达到100％,对离群特征不明显的学生识别率较低,算法有待修正.     

基于差异信息量的多源数据融合方法

D-S证据理论可应用于多源数据融合领域，但在处理高度冲突的证据时，可能会出现反直觉的结果.为解决这一问题，本文提出了差异信息量的概念及融合方法.首先，通过信息熵表明证据的相对重要性，采用散度获取证据可信度.然后利用证据可信度优化证据差异度以得到差异信息量，经过计算获取数据的最终权重，并将其作为D-S证据理论中的基本概率分配进行决策.在处理冲突证据、一致证据及不同数量证据等方面的数据融合问题时与其他方法对比，所提方法收敛更快，准确度更高.故障诊断的应用实例表明，所提方法的不确定性更小，优于现存的其他方法.     

SAm级防撞活动护栏碰撞仿真分析

针对目前高速公路中央分隔带开口处活动护栏防撞等级较低的问题,提出了一种SAm级混凝土活动护栏及一种新型连接装置。基于有限元的方法,建立车辆与护栏的碰撞模型,通过LS-DYNA对车辆与护栏碰撞过程进行求解,根据不同车型的碰撞结果分别在缓冲,阻挡和导向性能上对护栏的安全性能进行评价,其中小型车辆与护栏碰撞后的OIV(Occupant Impact Velocity)值<12 m/s,ORA(Occupant Ridedown Acceleration)值<20 g且车辆没有驶出导向框;大型车辆与护栏碰撞后没有发生穿越、骑跨等现象且车辆没有驶出导向框,均满足护栏安全性能评价标准。     

基于深度学习的多STBC盲识别算法

针对空时分组码(space-time block code, STBC)识别中多种编码类型难区分的问题, 提出了一种基于卷积神经网络的STBC盲识别算法。该算法首先将接收信号采用自相关函数的频域预处理, 输入到卷积神经网络中对信号特征进行提取, 全连接层对特征进行映射, 实现对6种STBC类型的识别。仿真实验结果表明, 在无信道和噪声等先验信息的条件下, 所提算法能够有效区分3种相似度高的STBC3码, 且将STBC可识别的编码类型由目前的4种扩充到6种, 识别准确率能达到96%。该方法的复杂度较低, 不需要利用大量样本数据, 实时性高, 具有较好的工程应用价值。