具有无限类混沌吸引子的保守混沌系统自适应滑模控制

提出一个具有类混沌吸引子的三维保守混沌系统,新系统在Sprott A基础上增加了一个余弦项并将常数项改为变参项。首先,分析了该系统的典型混沌特性,着重分析了参数变化时的李雅普诺夫指数、时序图以及相应相图。然后,通过改变初始值,得到获得无限类共存吸引子的方法并进行仿真验证。最后,在不确定和干扰作用下设计自适应滑模控制器,实现对新混沌系统的同步控制,并利用Matlab仿真验证所提控制器的有效性。     

思维导图在电工与电子技术教学中的应用实践研究

该文以找出适合而且有效的学习途径,追求完满学习效果为出发点,提出将思维导图引入专业课程教学。思维导图能在课堂上促进学生进行有意义的学习,促使他们整合新旧知识,建构知识网络,提高学习效率。教师利用思维导图将教学内容思维化、逻辑化,全程提倡学生积极创新,鼓励学生借用思维导图梳理所学内容,使学生获得终身思考、终身学习的优良习惯。通过应用研究,验证了引入思维导图进课堂的可行性及有效性。     

单位凯莱图及其补图的(无符号)拉普拉斯能量

令Z_n为模n的剩余类加群,单位凯莱图X_n是指以V(X_n)=Z_n为顶点集,E(X_n)={(a,b):a,b∈Zn,a-b∈U_n}为边集的简单无向图,其中U_n={a∈Z_n:gcd(a,n)=1}。利用欧拉函数给出了单位凯莱图X_n及其补图■的拉普拉斯能量和无符号拉普拉斯能量。     

一种新颖的基于类GHZ态的两方半量子密钥分配协议

本文提出了一种新颖的两方半量子密钥分配(Semiquantum Key Distribution, SQKD)协议,该协议只使用一种类GHZ态.提出的SQKD协议可以实现在无第三方的情况下在一个具有无限量子能力的量子方和一个具有有限量子能力的经典方之间创建一个共享隐秘密钥.该协议不需要Hadamard门或者纠缠交换操作.详细的安全性分析表明,提出的SQKD协议能够抵御来自外部窃听者的几种著名攻击,如特洛伊木马攻击、纠缠-测量攻击、双重控制非攻击、测量-重发攻击和截获-重发攻击.     

基于聚类分析的桥梁结构模态参数自动识别方法

为实现桥梁结构模态参数的自动识别,基于随机子空间法(SSI)生成的稳定图,综合采用主成分分析(PCA)、k均值聚类法和层次聚类法,提出了一种桥梁结构模态参数自动识别方法.首先,基于模态验证准则(MVC)向量的PCA分析结果,借助k均值聚类法初步剔除稳定图中的虚假模态.然后,分析层次树截断簇数和有效模态数量的关系,得到最优截断簇数的确定准则.最后,建立了桥梁结构模态参数自动识别方法,并采用缩尺模型试验和实测桥梁响应数据进行验证.结果表明,所提方法能够有效剔除稳定图中的虚假模态,自动确定有效模态数量,提升了SSI生成的稳定图处理过程中的自动化程度,实现了基于环境激励下结构响应数据的桥梁结构模态参数自动识别.     

基于LLE与K均值聚类算法的工业过程故障诊断

工业过程中各类数据间具有一定的相似性,单纯利用K均值算法对其进行故障诊断时,存在很大的错误率.提出一种基于局部线性嵌入(Locally Linear Embedding,LLE)的K均值聚类算法,将正常数据运用LLE算法降维并求出投影矩阵,利用投影矩阵将原始故障数据映射到低维空间,再利用K均值算法对其聚类,建立检测与诊...     

高等院校影视类实验室开放模式探讨

根据高等院校影视类实验教学的特点和目前影视类实验室开放的现状,从加大实验室开放力度和建设实验室开放信息化管理系统方面提出了影视类实验室的开放模式。     

UML顺序图的鲁棒性分析

鲁棒性分析技术可以帮助开发人员精确地弥合分析与设计之间的鸿沟。统一建模语言(unified modeling language, UML)顺序图模型被广泛用于面向对象软件系统的分析与设计,它的鲁棒性至关重要。首先,引入形式化模型——统一结构。其次,给出了基于统一结构的描述顺序图的方法和鲁棒性的形式定义,随后讨论顺序图在组合与精化条件下的保存问题。最后,在原型工具支持下进行实例研究。实验结果表明,设计阶段的顺序图能保持分析阶段顺序图的鲁棒性,从而可以给予从事面向对象的开发人员相关帮助及支持。     

融合图注意力网络和注意力因子分解机的服务推荐方法

为了解决服务推荐过程中的特征稀疏问题、提高服务的语义表示能力,进而提升推荐的准确性和有效性,提出基于图注意力网络(graph attention networks,GAT)研究服务推荐方法,引入服务的组合权重和组合的结构信息,综合利用多种服务特征,提高服务推荐质量。将GAT和注意力因子分解机(attention factorization machine,AFM)结合在一起,利用多头自注意力机制,学习每个节点在图邻域中的重要性;进行信息聚合,处理网络中的不同图结构,以适应服务动态变化的场景。 实验结果显示,在数据平衡的情况下,提出的方法性能表现均好于对比方法;在数据不平衡的情况下,提出的方法大部分性能指标也表现良好,达到了提升服务推荐准确性和有效性的目标。     

基于自监督信息增强的图表示学习

针对图表示学习模型依赖具体任务进行特征保留以及节点表示的泛化性有限等问题,本文提出一种基于自监督信息增强的图表示学习模型(Self-Variational Graph Auto Encoder,Self-VGAE)。Self-VGAE首先使用图卷积编码器和节点表示内积解码器构建变分图自编码器(Variational Graph Auto Encoder,VGAE),并对原始图进行特征提取和编码;然后,使用拓扑结构和节点属性生成自监督信息,在模型训练过程中约束节点表示的生成。在多个图分析任务中,Self-VGAE的实验表现均优于当前较为先进的基线模型,表明引入自监督信息能够增强对节点特征相似性和差异性的保留能力以及对拓扑结构的保持、推断能力,并且Self-VGAE具有较强的泛化能力。