400 km/h高速列车“蝶形”风阻制动装置设计与仿真

为了进一步提高时速400 km高速列车风阻制动装置的工程应用可行性及科学性,有效弥补列车高速阶段制动力不足问题.本文基于三维定常不可压的黏性流场N-S及k-ε双方程模型,以CR400AF平台动车组流线型外观为雏形,装配新型“蝶形”风阻制动装置,分别建立不同工况流体动力学计算模型,对不带制动风翼板及带制动风翼板高速列车在不同速度等级条件的气动特性作了对比分析,同时重点分析计算了时速400 km/h高速列车首排制动风翼板紧急制动工作时在风载荷作用下的强度及振动特性.研究结果表明：不同速度等级工况下带首排制动风翼板较不带首排制动风翼板高速列车所受空气阻力有大幅增加,整车阻力系数从0.234增大至0.255;设计安装42Cr4材质首排制动风翼板高速列车400 km/h运行时,整车所受空气阻力增大约14.0%,首排制动风翼板所受气动载荷约为3.72 kN,作用下最大应力点出现在风翼板两侧上部拉杆连接处,远小于材料屈服极限,满足强度设计要求;高速列车首排制动风翼板前12阶模态振动所对应的固有频率范围为143.53～845.64 Hz,其中1～5阶主振型为风翼板上部前后弯曲及扭振,6～12阶逐渐扩展...     

基于DA-RBF模型的微电网负荷预测研究

针对传统径向基神经网络(RBF)在微电网负荷预测上精度低的问题,采用具有全局搜索以及优化能力的蜻蜓算法(DA)对RBF神经网络进行优化。利用蜻蜓算法对RBF神经网络的中心向量、宽度向量以及隐含层和输出层之间的连接权值进行优化处理,构建出DA-RBF的微电网负荷预测模型。使用夹角余弦法对负荷数据进行夹角余弦的计算从而获得相似日,确定模型的训练集和测试集数据,以此来降低数据本身对模型精度的影响。然后将选择的数据放入模型中进行仿真实验,并选择平均百分比误差(MAPE)来衡量模型精度的高低,将预测结果同DA-BP、CEEMD-RSVPSO-KELM、CPSO-LSSVM及AMPSO-BP作比较,DA-RBF的MAPE均最低,由此证明了DA-RBF在微电网负荷预测上的可行性及优越性。     

基于CEEMD-BiLSTM-RFR的短期光伏功率预测

由于短期光伏预测中气象因素的时间尺度不同,直接分析其对光伏功率的相关性,易忽略时间尺度的影响,进而导致预测模型误差。为提高光伏功率预测精度,构建了预测模型。首先,利用互补集合经验模态分解(complementary empirical mode decomposition, CEEMD)将光伏序列进行分解,得到在不同时间尺度上的光伏分量;然后,通过Pearson相关系数分析各光伏分量与空气温度、太阳辐射度、风速、风向和空气湿度的关系,对于强相关分量建立关于气象因素的随机森林回归(random forest regression, RFR)预测模型,弱相关分量直接通过双向长短期记忆网络(bidirectional long short-term memory neural network, BiLSTM)进行预测;并将预测求和输出。通过安徽省蚌埠市光伏电站7月实测数据进行验证,实验结果表明,所提预测模型CEEMD-BiLSTM-RFR相比传统预测模型有较好的预测精度。     

基于多模态共享网络的自监督语音-人脸跨模态关联学习方法

现有的语音-人脸跨模态关联学习方法在语义关联和监督信息方面仍然面临挑战,尚未充分考虑语音与人脸之间的语义信息交互。为解决这些问题,提出一种基于多模态共享网络的自监督关联学习方法。首先,将语音和人脸模态的特征映射到单位球面,构建一个公共的特征空间;接着,通过多模态共享网络的残差块来挖掘复杂的非线性数据关系,并利用其中权重共享的全连接层来增强语音与人脸特征向量之间的关联性;最后,使用K均值聚类算法生成的伪标签作为监督信号来指导度量学习,从而完成4种跨模态关联学习任务。实验结果表明,本文提出的方法在语音-人脸跨模态验证、匹配和检索任务上均取得了良好的效果,多项评价指标相较于现有基线方法提升1%～4%的准确率。     

算法对著作权侵权判定的制度挑战与应对——基于相似度检测的视角

学术规范的维护隐藏着人类与检测报告孰轻孰重的争辩,因此,我们不免要斟酌算法的功能及考虑其带给著作权制度的某种不适.由于检测算法与侵权判定制度在责任认定机制、底层创作伦理与公共服务属性三方面都是不可融合的,尊重人的主体性以回归学术规范本身才是应对挑战的良策.为了克服扩张化的算法权力凌霸形成制度适应与压制问题,在确立论文人...     

一种基于日志相似度的轨迹聚类评估方法

信息系统收集了大量的业务过程事件日志,过程发现旨在从事件日志中发现过程模型.但面对高度灵活的环境,简单地应用已有的过程发现技术通常会产生不可理解的过程模型(即意大利面模型)问题.轨迹聚类方法允许分解现有的事件日志,从而有效地解决这一问题.现有的轨迹聚类方法有很多,如基于向量空间方法的聚类、基于上下文感知的聚类、基于模型...     

基于主题感知的跨模态序列到序列生成模型

结构化数据和非结构化文本被视为两种不同的模态.数据到文本生成是自然语言生成领域中一个重要的跨模态任务,该任务的目标是对于给定的结构化数据,生成一段文本用以描述结构化数据中包含的关键信息.近年的研究工作通常关注于描述性文本的生成,虽然取得了一定的研究进展,但仅能做到信息的传递而不能带来任何增益.为解决这一问题,本研究数据...     

基于VMD-LSTM-IPSO-GRU的电力负荷预测

为了挖掘电力负荷数据中的潜藏信息,提高负荷预测的精度,针对电力负荷强非线性、非平稳性等特点,提出一种基于变分模态分解(variational mode decomposition,VMD)、优化长短期神经网络(long-term and short-term memory network,LSTM)、改进的粒子群算法(improve particle swarm optimization,IPSO)优化门控循环单元(gated recurrent unit neural network,GRU)的混合预测模型。首先,使用相关性分析确定确定输入因素,再将负荷数据运用VMD算法结合样本熵分解为一系列本征模态分量(intrinsic mode fuction,IMF)和残差量,更加合理地确定分解层数和惩罚因子;其次,根据过零率将这些量划分为低频和高频,低频分量使用LSTM网络,高频分量利用IPSO-GRU网络分别进行预测;最后,将预测结果重构得到电力负荷的最终结果。仿真结果表明,相对于其它常规模型,该混合模型可有效的提取模态特征,具有更高的预测精度。     

哈密顿体系下的弹性圆板热屈曲问题

以工程中由于温度引起的结构屈曲为研究背景,以最基本的结构之一的圆板热屈曲问题为研究对象,建立了由于温度引起的弹性圆板屈曲问题的哈密顿体系.在辛体系下将临界温度和屈曲模态归结为辛本征值和本征向量问题,印每一个辛本征值和本征向量对应一个临界温度和屈曲模态.这种辛方法克服了传统振型函数方法的局限性,并可直接得到轴对称和非轴对称的屈曲模态.本征解空间的完备性确保可得到所有的临界温度和对应的屈曲模态.数值结果显示了临界温度的变化规律和屈曲模态的特点.这种辛方法也为求解其他问题提供了一条路径.     

原子钟数据的改进经验模态分解降噪

为了提升原子钟数据降噪效果,基于经验模态分解(EMD),结合小波阈值降噪方法,提出了一种改进EMD的方法.在分析原子钟噪声模型的基础上,明确了原子钟频率数据非线性、非平稳的特点.结合EMD方法原理中固有模函数(IMF)需要满足的条件和提取步骤,利用窗口做出划分,对每一个窗口进行降噪处理,再利用小波阈值进行二次降噪,最后...