基于深度学习网络模型与大数据自动训练的工件缺陷识别算法研究

针对工件缺陷种类多样和特征不明显,造成机器视觉识别精度不稳定的问题,提出了一种基于深度学习网络模型与大数据自动训练的工件缺陷识别算法,并以软件工程来实现其功能。首先,对存在缺陷的工件进行取样,采集缺陷图像,建立识别标准。然后,基于深度神经网络模型和缺陷标准图像,进行模型训练,采取分批训练,逐步迭代收敛的方式,达到准确识别工件缺陷目的。最后,基于Python语言与TensorFlow框架实现深度神经网络模型,并将模型移植到C++平台调用,嵌入到商业版本软件中,实现算法的落地应用。实验测试结果显示,相对于已有的缺陷识别技术而言,本文算法具有更高的识别准确性,可为机器视觉软硬件设备提供技术基础。     

钩形弯交叉口信号协同控制优化方法研究

针对车辆在钩形弯交叉口与相邻常规交叉口间的整体运行特性，建立了各条车道的车辆平均延误计算模型。以各交叉口的周期时长和相位绿灯时间为约束，钩形弯交叉口与相邻常规交叉口间的车辆平均延误最小为目标，建立了信号协同配时方案。以位于苏州市高新区内有轨电车沿线的两个相邻交叉口为例，采用实际数据验证所建立的方法，并设置钩形弯渠化方案。将设置的钩形弯交叉口与其相邻常规交叉口的信号协同作为改进方法，在VISSIM软件中对比分析改进方案与现状方案的车辆延误指标。实验结果表明，钩形弯交叉口与相邻常规交叉口的信号协同优化方法可有效提高交叉口的通行能力，尤其是干道直行机动车的通行能力，可降低车辆的平均延误。     

多壳层Cr2O3空心球用作高性能锂离子电池负极材料

采用硬模板方法,以碳微球为模板,通过调控铬盐前驱体在模板上的吸附时间以及碳球模板的尺寸,来控制铬金属前驱体在碳球模板上的吸附量及嵌入深度,煅烧制备得到单、双、三、四以及五壳层Cr_2O_3空心球.合成的多壳层Cr_2O_3空心球尺寸均匀、纯度高、结晶性好.将Cr_2O_3多壳层空心球用作锂离子电池负极材料,相对于Cr_2O_3纳米颗粒其电池性能取得了显著的提升,具体表现在比容量更高,循环稳定性更好,且大电流放电能力更出色.其优异的性能主要得益于多壳层空心结构较大的比表面积、较短的离子/电子传输距离,且其内部空腔能起到缓冲由于锂离子反复嵌入引起的结构应力以及电极体积膨胀的作用.值得注意的是,四壳层Cr_2O_3空心球由于具有最佳的空腔体积占有率,其锂电性能最为突出,在100次循环后,比容量仍然高达1031.2 mAh/g,是目前商业石墨负极材料的3倍,有望用作新一代高性能锂离子电池负极材料.     

锂电池异常状态监测的FEKF方法研究

为了保障锂离子电池的使用安全，提出了基于带渐消因子的扩展卡尔曼滤波 （Fading Extended Kalman Filter，FEKF）的电池状态在线监测方法. 建立锂电池一阶等效电路模型，利用递推最小二乘法进行锂电池状态参数在线辨识，建立状态方程；引入最优渐消因子，构造FEKF，得到端电压残差；使用端电压残差序列构造χ2分布的诊断函数，计算误检率与状态参数异常阈值. 实验结果显示利用FEKF生成的残差能更早对异常状态进行告警，证明FEKF能够显著提高χ2检验对锂电池内部缓变型异常状态判断的准确率.     

氢燃料电池汽车车载用氢安全问题分析及对策研究

随着氢燃料电池汽车的快速发展,氢燃料电池汽车车载用氢安全问题已逐渐成为热点。本文首先分析氢的特性及车载用氢安全问题,然后从微观和宏观两个层面提出解决车载用氢安全问题的对策,以期为燃料电池汽车的发展提供参考。     

青藏铁路含保温夹层路基厚度与地温关系的研究

通过对青藏铁路风火山段含有保温夹层的路基建立均匀介质分层纯导热模型并运用分层近似解法求出冻土表层的温度函数,结合Lachenbruch给出的冻土层的理论温度表达式,得到了路基填料层、保温层、地表年平均温度与正弦变化温度的振幅比三者之间的隐式方程,并应用该方程对三者之间的关系进行了分析.     

基于GM(1,1)的农田土壤湿度灰色预测模型

针对土壤湿度变化趋势对于分析区域旱情的重要性,研究了GM(1,1)模型的建模方法,建立了基于GM(1,1)的农田土壤湿度的灰色预测模型,并将试验数据和预测值进行对比。结果表明土壤湿度的预测值略大于试验值,且相对误差不大于5%,验证了所建立的预测模型的准确性。该模型为土壤湿度动态变化特征的深入研究提供了重要的科学依据,对农田水利灌溉具有重要意义。     

利用SRTM数据修测高山区地貌的探讨

在高海拔区域测制地形图,如青藏高原地区,所获取的遥感影像局部存在着大范围的高山阴影或云雪覆盖,造成立体观测地貌困难的现象,探讨应用SRTM数据对这类特殊区域地貌进行修测补绘。介绍了数据处理的作业过程,并对实验区SRTM与SPOT5影像立体测图成果进行实验对比分析,成果符合要求。     

高斯信道中功率分配问题的一种优化方法

信号检测中,检测概率一直是作为衡量检测性能的一个重要标准.众所周知,Neyman-Pearson准则下的最优检测是似然比检测.然而多传感器系统下随着信号维数增加,似然比检测门限的计算涉及高维积分,计算困难相当大,因此文中考虑的高斯信号检测模型,没有直接计算检测概率而是将两个密度函数的相对熵作为衡量检测性能的一个度量来研究高斯信号检测中功率的分配,并且建立了目标优化模型.针对文中建立的优化问题,首先由加强的Fritz John(F-J)必要条件证明了优化问题的局部最优解满足KKT(Karush-Kuhn-Tucker)条件,并且进一步证明存在惟一的拉格朗日乘子.然后利用凸函数的性质我们说明了D(P1‖P0)是tr(∑s)的非减函数,最后在此基础上得到了优化问题的最优解,即得到了功率分配矩阵.同时也给出了特殊信道下的功率分配矩阵.