神经网络模型在面板坝堆石体施工期沉降变形预测中的应用

在分析面板坝堆石体施工期坝体沉降影响因素的基础上,将影响沉降的主要因素作为网络输入参数,以测点沉降量作为网络的输出,建立了神经网络模型.以水布垭面板坝堆石体为例,将模型预测值与实测结果进行了对比,结果表明,预测值与实测结果比较接近,该神经网络能很好地反映面板坝堆石体施工期沉降变形与其影响因素之间的非线性映射关系,预测结果可作为后期填筑反馈设计的依据,同时可通过网络输入参数的调整检验某一因素对坝体沉降的影响程度.     

基于区间直觉模糊数ANP的体系贡献率计算方法

体系贡献率主要用于体系建设中度量装备对体系的贡献程度。为解决目前体系贡献率计算存在的一些问题,提出一种“任务–能力–指标–装备”的多层次装备指标体系结构。考虑了装备指标体系结构、网络分析法和区间直觉模糊数的特点,提出了一种基于区间直觉模糊数的网络分析法以得到更准确的体系贡献率。实验表明,该方法不仅能够解决体系贡献率计算公式现存的问题,而且与AHP(analytic hierarchy process)和ANP(analytic network process)相比,可以得到更准确的体系贡献率,为体系建设提供更有效的支持。     

扰动累积下基于数字孪生的车间重调度

针对隐性扰动累积下车间重调度问题,搭建车间重调度决策服务,实现数字孪生驱动的扰动累积下的车间重调度。提出一种调度参数更新的方式,采用随机概率分布来描述调度参数的分布,提升调度参数的准确性;利用孪生网络搭建隐性扰动检测模型,以实时数据为输入,实现重调度的启动时刻的判定;从历史调度数据中提取用于调度知识挖掘的样本数据,利用伪孪生网络获取工序和机器的状态数据的映射关系作为调度规则,用于车间的重调度。仿真实验证明了所提数字孪生驱动的重调度模式的可行性。     

救援效率视角下灾后动态应急配送网络优化

针对应急救援问题,在受灾点的位置、需求以及受灾人口等信息动态变化的情况下,建立动态有向救援网络,以救援效率最大化为目标构建数学模型。运用数据包络分析模型,对各段救援路线的效率进行评价;建立基于效率的动态路由模型,通过时间片的划分将动态路由转化为多阶段的静态路由;设计了改进的混合贪心蚁群优化算法对模型进行求解,并将该算法与遗传算法、粒子群算法以及基础的蚁群算法进行对比。实验结果表明：改进的混合贪心蚁群优化算法能够有效处理动态路由问题,寻求到更高的救援效率。     

引入微元法思想的混合测控资源联合调度方法

针对混合测控资源联合调度中存在的资源属性繁多、偏好差异大以及可能出现的调度弧段冲突等问题,借鉴单体制测控网调度研究中的任务需求描述方法,对混合测控任务需求的特点进行分析,给出其任务需求的规范化描述。以测控调度收益值最大为目标,建立混合资源联合调度模型;引入微元法思想,提出了可用弧段扩展复用方法,以此为基础提出了基于改进遗传算法的求解策略。仿真结果表明：所建模型和相应的解冲突算法能有效提高测控需求满足率和测控收益。     

基于协作式深度强化学习的火灾应急疏散仿真研究

火灾是威胁公共安全的主要灾害之一,火灾产生的高温和有毒有害烟气严重影响了疏散路径的选择。将深度强化学习引入到应急疏散仿真研究,针对多智能体环境提出了协作式双深度Q网络算法。建立随时间动态变化的火灾场景模型,为人员疏散提供实时的危险区域分布信息;对各自独立的智能体神经网络进行整合,建立多智能体统一的深度神经网络,实现所有智能体之间的神经网络和经验共享,提高整体协作疏散效率。结果表明：所提方法具有良好的稳定性和适应性,训练和学习效率得到提升,具有良好的应用价值。     

量子全加法器的修改和算法研究

通过与经典全加器的基本模型进行比较后,讨论了一个改进后的量子平面加法器的基本构型.对其原理、组件和算法进行了研究,比较了本加法器两个主要组件与一般量子加法器的不同.作为应用的例,设计了一个n比特量子全加法器的模型,对其具体运算过程和基本功能进行了说明.     

基于延迟线组合调相的高能效自适应混合预编码方案

针对毫米波大规模多输入多输出系统采用混合预编码技术所带来的高功耗影响,基于延迟线组合调相器件设计了一种间接全连接型混合预编码系统结构,并提出一种自适应连接的混合预编码方案,可大幅减少与天线直连的调相器数量从而降低硬件造成的功耗损失。方案将编码矩阵的求解分为数字编码矩阵、模拟编码矩阵和开关组成的连接交换矩阵3个部分进行交替优化;提出一种基于互补正交投影矩阵的算法来解决模拟编码矩阵的优化;利用功率约束条件和最小二乘算法简化数字编码矩阵的求解;针对连接交换矩阵的离散组合优化问题,利用低复杂度的交叉熵算法进行优化。仿真结果表明,所提方案可以保证系统性能在接近纯数字预编码方案的同时有效提高系统的能量效率。     

融合特征通道重要性与相似性的深度YOLO网络压缩方法

基于深度YOLO网络的目标检测方法网络结构复杂、冗余参数过多、计算量大,极大影响模型检测性能。针对此问题,从降低网络中低效通道和冗余通道的影响出发,提出了一种融合特征通道重要性与相似性的深度YOLO网络压缩方法,基于深度网络压缩中的网络剪枝思路,采用2次剪枝剪去低效及冗余特征通道。构建通道重要性计算方法,将稀疏因子作为通道效能计算指标,结合剪枝率剪去低效通道;根据通道间存在的线性关系计算其相似度,对相似度较高的通道进行替代,剪去相似度较大的通道;微调模型参数,恢复剪枝前的检测精度。仿真实验表明,同当前性能较优的深度网络压缩方案相比,提出的方法在保证目标检测精度的同时极大减小了模型尺寸、提升了检测速度,方法可行、有效。     

稀疏网络编码中秩分布分析模型研究

针对现有稀疏网络编码研究中线性相关概率性能指标精准度较低的问题,提出基于马尔可夫链的性能分析模型。对线性相关概率、秩的概率分布等性能指标及其复杂度进行分析,并通过该性能分析模型分析编码包传输后期的译码成功概率;基于吸收马尔可夫链计算编码包传输过程中的瞬态、吸收态以及各状态间的状态转移概率,并对状态转移概率中蒙特卡罗模拟误差较大的问题进行改进,由状态转移概率构建吸收马尔可夫链基本矩阵,得出信宿端收到非再生包的线性相关概率,进而推导出秩的概率分布和译码成功概率性能指标。仿真结果表明,在相同条件下所提模型性能指标精确度均优于对比模型,且能精确地评估信宿端解码矩阵秩的概率分布、译码成功概率等稀疏网络编码的译码行为。