一种能量平衡的最优分布式成簇机制

针对无线传感器网络能量不平衡影响网络寿命的问题,引入一个新的基于节点剩余能量标准差的能量平衡指标,据此提出了一种能量平衡的最优分布式成簇机制.将其转化为多目标约束优化问题,并采用具有最佳个体保存机制的自适应遗传算法求解最优解.在Matlab环境下,将文中提出的成簇机制与基于能耗和最大簇员数目的成簇机制进行比较.仿真结果表明:文中提出的成簇机制能在保证能量平衡和跟踪精度的前提下有效地延长网络寿命.     

从一道研究生入学试题得到的

本文通过对一道研究生八学试题的探讨，给出了三种不同的证法，得到了试题的加强形式，得出了欧拉常数c的一个估计值并培出其应用实例。     

W18Cr4V钢螺母冲孔模低温淬火工艺试验

本文介绍了运用毛主席的光辉哲学思想，对Ｗ１８Ｃｒ４Ｖ钢螺母冲子孔模实施 低温淬火及回火工艺试验的情况。试验已初步收到较好的效果，模具使用寿命 提高了七至十倍。     

一类线性不确定多时滞系统的鲁棒控制

采用频域法研究了一类含多个未知常时滞的线性不确定系统的区域鲁棒控制问题，建立了使闭环系统极点分布在复平面左半平面的某个对称区域的线性矩阵不等式(LMI)条件．所得结果只依赖于时滞和不确定参数的上界并表示为LMI形式，易于进行数值处理．最后以一个例子显示其具体应用方法．     

螺母六角套模渗硼工艺试验

生产螺母要经过下料、压球、挤六方、冲孔和攻丝等五道工序。螺母六角套模是第三道工序中用来挤螺母六方的模具。模具在工作时,主要受到强烈的磨损及较大的挤压力。长期以来,这种模具是用Cr12MoV钢来制造,并经1020～1040℃加热油淬、240℃ 回火一小时的处理,硬度为HBC60～62。这样的模具在使用过程中,大部分以磨损拉毛 报废,也有被挤裂的现象。这样,不仅影响生产,同时,也浪费了大量的贵重高合金 钢。 遵照毛主席“教育必须为无产阶级政治服务,必须同生产劳动相结合” 的伟大指 示,我们结合旅大市标准件厂提高螺母六角套模使用寿命的任务,…     

基于子系统平等方式的智能建筑集成管理平台

当前智能建筑系统集成的概念提及较多,但能真正实现系统集成并具备中央控制管理功能的系统并不多见.文中从工程实际出发,结合智能建筑系统集成的功能需求,提出了基于子系统平等方式的集成管理平台.并从集成管理平台的模型、组成结构以及所采用的关键技术方面,分析了实现系统的关键任务,包括多协议接口设计、I/O点表结构、远程工作站的图形显示、电子地图组态工具、实时数据和历史数据的有效组织和管理等.实际应用表明,该平台采用了标准的OPC接口,人机界面友好,具有很好的兼容性和可扩展性.     

中国阿尔泰造山带燕山期成岩成矿同位素年代学新证据

阿尔泰地区花岗质岩石和相关伟晶稀有金属矿床的分布十分广泛,已往多认为其成岩成矿时代是海西期,报道的可可托海矿区富钾矿物（白云母和微斜长石）＾４０Ａｒ－＾３９Ａｒ年龄及尚可兰稀有金属矿区全岩和石英流体包裹体Ｒｂ－Ｓｒ等时线年龄表明：阿尔泰造山带有燕山期成岩成矿事件存在,举世闻名的可可托海３号伟晶岩脉的形成大致经历了３０Ｍａ的结晶分异时间。     

基于Internet机器人视觉伺服系统仿真实现

为利用视觉伺服技术实现机器人的网络遥操作,基于所给出的仿真模型,在Robotics Toolbox for Matlab工具箱的基础上,通过Matlab数据引擎技术,实现了基于Internet机器人视觉伺服系统的仿真。为增强系统的实时性,仿真中采用了数据的同步收发和时延缓冲策略。通过给出图像特征点的方式,操作者能够利用Internet实现对虚拟的Puma560机器人进行实时遥操作。     

单相电力有源滤波器的仿真与研究

给出了单相电力有源滤波器的一种新的控制算法,负荷有功分量法,使用该算法的单相电力有源滤波器,对对称和非对称负载产生的谐波具有较好的抑制作用,在电源电压畸变的情况下,也能保证负载电源侧电流为正弦波。样机实验表明,该滤波器具有较好的滤波特性。     

基于Transformer的序列生成多标签文本分类

多标签文本分类任务存在难以从文本信息中提取标签关联的判别特征，建立标签相关性困难等问题。现有方法主要采用基于RNN的序列生成模型来建立标签高阶相关性，但缺乏对文本语义信息的充分利用。为此文章提出基于Transformer解码器的序列生成模型，使用标签嵌入作为查询，通过其多头自注意力机制建立标签之间的高阶相关性，并利用多头交叉注意力子层从文本信息中自适应地聚合标签相关的关键特征。文章的注意力权重可视化实验表明，序列生成Transformer在建立标签相关性的同时，能够更全面、更深层次地考虑文本和标签之间的语义相关性。与传统RNN类模型相比，序列生成Transformer在分类任务中兼具有效性和可解释性，并在AAPD和SLASHDOT两个数据集上取得了更优的结果。在AAPD数据集上分别取得了70.49%的Instance-F1值和52.04%的Label-F1值，比以往分类效果最好的set-RNN模型分别高1.44%和1.83%。