微机财务管理帐务处理系统

介绍了以编号库为基础、下设几个明细库和一个总帐库的微机财务管理帐务处理系统。     

小产品做出大市场——鸿雁公司成功的秘诀

曾经有人描绘过这样一种生活:回家时,可以提前用手机拨打家中的电话,接通控制系统,启动空调,按事先设定好的温度运行;到家了,只需把手指按在门外的指纹锁上,房门就会自动打开,客厅的灯随之亮起,音响系统也开始播放预设的音乐,还可以通过对系统的设置实现几乎所有的控制功能,例如冰箱的温度、微波炉的烹饪时间、灯光的强弱……这种生活虽然现在人们还没有享受到,但是离我们已不遥远。刚刚获得2003年浙江省科技进步二等奖项目———“智能家居控制系统研究与开发”正是这种生活的美好阐释。为了解这种生活,记者特意采访了这项成果的主要负责人———杭州鸿雁电器公司副总经理单朝兰。     

Max232在智能网络化UPS中的应用

对Max232的功能结构进行了简单的介绍.利用Max232实现了智能网络化UPS与网络主机间的通讯功能.阐述了其通讯原理,同其他的通讯方式进行了比较.给出了实用的硬件连接原理电路图,编写了适用于两者间的通讯协议.最后给出了程序流程图.     

中间件技术在电信综合业务管理系统中的应用

简要介绍电信综合业务计算机管理系统TSIS的一些情况，着重讨论了用中间件技术开发分布式事务处理系统的方法，并提供了用中间件实现分布式事务处理系统的关键技术。     

数据库管理系统自定义函数过程编写探索

当今信息化社会,人们利用计算机来处理大量的数据信息,数据库技术显得尤为重要。本文针对近年来数据库管理系统FoxBASE和Visual FoxPro程序设计课程教学中函数过程的编写提出一些经验和应用技巧,旨在启发广大数据库管理系统爱好者的编程思路。     

基于强化学习的电磁悬浮型磁浮列车悬浮控制

为了保证磁浮列车的安全、可靠运行,研究了悬浮系统在参数摄动条件下的悬浮控制问题。首先,对电磁悬浮（EMS）型磁浮列车的基本悬浮单元建模,给出了电流控制模型;然后,建立了悬浮系统的强化学习环境以及软演员-评论家（SAC）智能体,并设计了加速训练的奖励函数与“吸死”处理方案;最后,提出了基于强化学习的悬浮控制方法。与传统比例-积分-微分（PID）控制方法的对比结果表明,本方法具有更快的动态响应,在损失50%线圈匝数或磁极面积变化时具有更好的跟踪精度。     

基于不安全控制行为分析的商用车AEB决策系统优化

现有的基于车载传感器的商用车自动紧急制动(AEB)系统存在视野盲区等原因,功能受到了很大的限制。为了提高商用车AEB系统的安全性和可靠性,该文提出了基于不安全控制行为分析的商用车AEB决策系统优化方法。首先,通过实车测试获取车车通信在不同工况下的通信时延规律,使用该时延规律对环境车的速度、位移和坐标等参数进行补偿修正,弥补通信时延对系统决策造成的影响。然后,制定交叉口路段处的商用车自动紧急制动策略,在两车即将碰撞时控制本车的制动系统以最大的制动减速度自动紧急制动,避免碰撞的发生,并基于不安全控制行为分析,对AEB决策系统进行优化。最后对提出的优化方法进行了仿真和实车测试,结果表明,该方法能够有效地防止两车在交叉口处相撞,具有较高的安全性和可靠性。     

基于混合团树的贝叶斯网络智能推理算法

提出了一种基于混合团树的智能推理体系架构,利用原始贝叶斯网络中变量之间的依赖关系对连接树进行改造,使得在推理过程中满足以下两个优势：(1)它能直接消除与证据和查询的无关的变量集,使得混合团树得以缩减为更小规模的二级树状结构,进而使消息不必在所有节点中传播;(2)它继承了连接树传播算法中可以重复利用混合团树中预先储存的信息进行加速推理.     

泵闸混凝土施工期智能温控关键信息识别

为实现施工期大体积混凝土温控要素的智能快速识别,提高智能温控系统的反馈及预测模型精度,提出了一套智能算法对物联网技术采集到的各类温控要素原始测值进行识别及转化。针对浇筑温度、浇筑时间、最高温度、内外温差、冷却通水起止时间与表面保温覆盖等施工期关键温控参数,结合工程经验分别给出相应识别任务的判定逻辑并编写对应程序,然后应用多个实际工程数据进行验证,并分析各识别功能的准确率。验证结果表明,本文算法识别效果良好,能够实现温控要素采集的自动化、智能化、快速化、精准化,具有较强的工程实用价值。     

基于梯度加权类激活热力图的卷积神经网络故障诊断模型鲁棒性分析

深度学习近年来在故障诊断领域受到广泛应用,但基于深度学习的故障诊断模型缺乏工程上的物理解释性,难以保证其故障诊断结果的稳定性。以轴承为例,建立了以小波时频图像为故障诊断依据的卷积神经网络模型(convolutional neural network, CNN),提出了一种基于梯度加权类激活热力图(gradient-weighted class activation map, Grad-CAM)的网络模型鲁棒性分析方法,并利用美国凯斯西储大学(Case Western Reserve University, CWRU)轴承数据集进行验证。首先,将故障直径轴承数据以不同方式混合并训练大、小多个模型。其次,利用Grad-CAM方法,建立时频区域与故障模式之间的联系。最后,利用其他工况下的轴承故障数据,以及含噪数据进行测试,并根据结果结合模型最注重的时频区域进行分析。结果表明,基于深度学习的轴承故障诊断模型在参数较少时更加注重低频区域,并能使其具有更好的鲁棒性。