全自主漂浮式海上风电场运维系统关键技术与系统架构探讨

风能作为一种清洁的可再生能源,对于实现“双碳”目标以及低碳能源体系转型至关重要。分析和研究了漂浮式海上风电发展面临的挑战和潜在的技术,特别是重点探讨了信息与通信技术（Information and Communication Technology, ICT）和机器人技术在漂浮式海上风电运维中的潜在应用,进而设计了漂浮式海上风电运维系统架构,旨在降低运维成本和提高运营安全性。所提出的解决方案涵盖了浮式平台设计、数字孪生形式的远程操作、自主水下机器人等多个方面。     

终端区4D飞行轨迹预测与冲突预警

为提升终端区飞行轨迹预测精度,实现航空器短时冲突预警,建立一种基于孪生支持向量回归的终端区4D飞行轨迹预测模型。对历史飞行轨迹应用重采样算法,降低轨迹数据规模;利用墨卡托投影将轨迹点经度、纬度与高度化为x-y-z坐标,采用孪生支持向量回归算法学习预测模型,实现短时航空器飞行轨迹动态预测;计算两架航空器水平、垂直距离,建立航空器冲突预警指示函数;对孪生支持向量回归算法进行超参数灵敏度分析,分析各超参数对模型预测效果的影响。根据机场真实数据进行仿真实验,证明：基于孪生支持向量回归的4D飞行轨迹预测模型能够准确捕捉航空器运动趋势,且泛化能力强;所提模型x-y-z坐标预测均方根误差是BP神经网络预测结果的32%,35%和61%,单次预测计算用时减少约0.13 s。     

生成式与判别式视觉目标跟踪算法综述

视觉目标跟踪是对目标位置、速度、运动轨迹等信息检测与预测技术。该技术融合了计算机视觉、图像处理、深度学习等众多领域技术。本文将对目标跟踪算法发展情况以及研究现状进行梳理。首先介绍目前常用的基准数据集;其次指出生成式算法与判别式算法差异;再对传统的生成式算法进行简单的分析总结;随后围绕算法框架分别介绍相关滤波框架、深度学习框架、孪生网络框架、Transformer框架的判别式算法并分析不同算法的优缺点;最后分析目前动态目标跟踪存在的问题并展望。     

另一种质数的判别方法

用威尔逊（ＪＷｉｌｓｏｎ）定理来判别自然数ｎ是质数非常困难的给出了质数的另一种判别方法,对质数的判别简便易行     

基于CSCW的测绘专业虚拟仿真系统群设计与应用

为提升测绘专业的教学水平和虚拟仿真教学系统的开发效率,一种基于计算机支持协同工作（Computer Supported Cooperative Work,CSCW）机制的共享数字孪生组件的虚拟仿真系统群的设计方法应运而生,应用于测绘专业的自然资源相关领域的教学。通过对这一领域的教学问题进行汇总分析,研究其内容和相关特点,考虑对接国家实验平台的统一接口的需要,确定仿真群的可共享的基础数字孪生组件和软件基础功能组件,然后采用CSCW机制实现组件粒度的信息协同,用SCM进行软件架构的管理,促进自然资源的多个领域上的监管仿真教学平台的创建和升级。在实际教学工作的应用中,与传统单个仿真项目开发方式相比,仿真系统群的方法平均开发效率提升22.22%,项目质量提升15.3%,教学效率也得到提升。     

面向教研一体化的数字化制造实验教学平台搭建与探索

为了更好地将高校人才培养目标与社会需求保持一致,培养出国家急需的数字化智能制造类专业人才,该文结合车辆工程专业整车数字化制造人才需求,搭建一套数字化制造软硬件实验教学平台,并进一步针对该平台的实验教学与科研一体化功能进行分析探索。该平台主要由机器人系统、装配工艺仿真软件系统等组成,通过软件系统对物理世界的多维度、多领域、多视图的装配工艺数字仿真模拟,并结合机器人装配路径规划、多机协同等工艺轨迹仿真,把物理世界的信息综合在数字世界中,构造一个虚实结合的数字孪生教学系统。该装配工艺数字化实验教学平台的搭建,对整车等复杂工业产品制造产业升级背景下的人才培养具有较大价值,也为国家数字化智能制造行业人才培养中的教学方法创新提供参考。     

基于数字孪生的铁路客运站技术作业实时调度方法

为提高铁路客运站作业调度水平,降低列车延误影响,采用数字孪生技术构建铁路客运站技术作业模型,通过实时数据采集,基于随机森林的作业时间预测,作业模拟以及智能决策,提出基于数字孪生的铁路客运站技术作业实时调度方法。将此调度方法应用于某实际铁路客运站中,实验结果表明：该方法能对实际作业进行高精度预测及模拟;使用三种数字孪生决策规则能有效降低列车作业延误。研究论证了该数字孪生模型能应用于实际车站管理,提高作业实时调度水平。     

基于孪生深度神经网络的风电机组故障诊断方法

为有效提取风电SCADA (supervisory control and data acquisition)中时序数据故障特征,同时考虑一维卷积神经网络(one-dimensional, convolutional neural network,1-D CNN)提取局部时序特征和长短时记忆网络(long short-term memory networks, LSTM)提取长期依赖特征优势,提出一种基于1-D CNN-LSTM的风电机组故障诊断方法;针对故障样本稀缺问题,基于孪生神经网络架构(siamese network),提出一种基于孪生深度神经网络siamese 1-D CNN-LSTM的风电机组故障诊断方法,依靠少量样本数据对机组故障特征进行有效提取。结果表明：1-DCNN-LSTM优于其他现有深度学习方法;当训练样本不足时,所提出的siamese 1-D CNN-LSTM可以显著提升故障诊断结果。     

关于"费尔马最后定理的证明”一文的评注

对“费尔马最后定理的证明”一文作出了两点评注。