基于增量替代的蓄热式电采暖系统推广模式研究

借鉴工程经济学中的增量收益与增量成本的概念,以长春市别墅建筑为例,提出了增量替代的方法,建立蓄热式电采暖系统与集中供热管网联合供热模式。利用Design Builder软件建模获取不同工况下的室内逐时采暖热负荷曲线,根据负荷曲线确定不同工况的装机方案,并分析相应的经济效益和推广模式。研究结果表明,在蓄热式电采暖和集中供热管网共同供热的模式下,不仅能提高用户采暖的舒适性,还能节约建设成本和运行费用。

可再生能源进入大范围增量替代发展阶段

发展可再生能源是全球能源革命和绿色低碳发展的必然要求,已经成为世界各国的普遍共识和一致行动,中国高度重视可再生能源发展,刚刚过去的2017年是中国可再生能源快速发展的一年,也是全球能源变革快速推进的一年。数据显示,截至2017年年底,中国水电装机达到3.4亿kW,风电装机达到1.64亿kW。

可再生能源进入增量替代阶段 发展思路将从“上规模”向“提质增效”转变

经过多年努力，中国可再生能源发展取得了举世瞩目的成就，已成为全球最大的可再生能源生产和消费国，同时可再生能源也进入了大范围增量替代和区域性存量替代的发展阶段。

企业数字化转型与政府数字化治理对创新“提质增量”的协同影响机制研究

基于数字化赋能理论,以2016—2021年396家高技术制造业上市公司为样本,从微观和宏观两个维度出发探究企业数字化转型和政府数字化治理赋能企业创新“提质增量”的作用机理,并采用多项式回归、响应面分析及块变量分析技术剖析其交互协同机制,明晰数字经济推动企业创新“提质增量”的多维路径,研究结果表明:(1)企业数字化转型能促进企业创新“增量”,不能促进创新“提质”;政府数字化治理能促进企业创新“提质增量”。(2)企业数字化转型和政府数字化治理存在交互协同效应,能显著促进企业创新“提质增量”,并且在平衡状态下,二者处于双高水平时企业创新表现更好,在非平衡状态下,呈现政府数字化治理的“主导逻辑”。(3)政企之间的交互协同可以通过降低管理性交易成本,缓解信息不对称性来促进企业创新“提质增量”。研究结论丰富了数字经济与企业创新相关研究,为企业走出创新“轻质量、重数量”困境提供了新的路径,为政府部门落实数字经济政策和优化创新环境提供了新的参考。

基于增量学习的车联网恶意位置攻击检测研究

近年来,车辆恶意位置攻击检测中主要使用深度学习技术.然而,深度学习模型训练耗时巨大、参数众多,基于深度学习的检测方法缺乏可扩展性,无法适应车联网不断产生新数据的需求.为了解决以上问题,创新地将增量学习算法引入车辆恶意位置攻击检测中,解决了上述问题.首先从采集到的车辆信息数据中提取关键特征;然后,构建恶意位置攻击检测系统,利用岭回归近似快速地计算出车联网恶意位置攻击检测模型;最后,通过增量学习算法对恶意位置攻击检测模型进行更新和优化,以适应车联网中新生成的数据.实验结果表明,相比SVM,KNN,ANN等方法具有更优秀的性能,能够快速且渐进地更新和优化旧模型,提高系统对恶意位置攻击行为的检测精度.

采用电流增量关联度的柔直配电线路双端量保护

针对有效提升多端柔性直流配电线路双端量保护动作速度以及抗干扰能力的问题,提出一种基于故障电流增量关联度比较的直流线路双端量快速保护方法。该方法利用直流线路两侧故障电流增量的变化特性,利用灰色T型关联度算法对故障电流增量的变化态势实测数据求解关联度,分别对正负极线路首末端电流增量序列的灰色T型关联度进行比较,实现线路故障的快速切除。通过在PSCAD/EMTDC平台搭建±10 kV多端柔性直流配电系统进行算例仿真分析,结果表明该保护方法可以准确判别区内外故障,保护实现流程原理简单,动作快速可靠,具有良好的适用性。

避免近期偏好的自学习掩码分区增量学习

遗忘是人工神经网络在增量学习中的最大问题,被称为“灾难性遗忘”.而人类可以持续地获取新知识,并能保存大部分经常用到的旧知识.人类的这种能持续“增量学习”而很少遗忘是与人脑具有分区学习结构和记忆回放能力相关的.为模拟人脑的这种结构和能力,提出一种“避免近期偏好的自学习掩码分区增量学习方法”简称ASPIL.它包含“区域隔离”和“区域集成”两阶段,二者交替迭代实现持续的增量学习.首先,提出“BN稀疏区域隔离”方法,将新的学习过程与现有知识隔离,避免干扰现有知识;对于“区域集成”,提出自学习掩码(SLM)和双分支融合(GBF)方法.其中SLM准确提取新知识,并提高网络对新知识的适应性,而GBF将新旧知识融合,以达到建立统一的、高精度的认知的目的;训练时,为确保进一步兼顾旧知识,避免对新知识的偏好,提出间隔损失正则项来避免“近期偏好”问题.为评估以上所提出方法的效用,在增量学习标准数据集CIFAR-100和miniImageNet上系统地进行消融实验,并与最新的一系列知名方法进行比较.实验结果表明,所提方法提高了人工神经网络的记忆能力,与最新知名方法相比识别率平均提升5.27%以上.

基于联邦增量学习的SDN环境下DDoS攻击检测模型

SDN是一种被广泛应用的网络范式.面对DDoS攻击等网络安全威胁,在SDN中集成高效的DDoS攻击检测方法尤为重要.由于SDN集中控制的特性,集中式DDoS攻击检测方法在SDN环境中存在较高的安全风险,使得SDN的控制平面安全性受到了巨大挑战.此外,SDN环境中流量数据不断增加,导致复杂流量特征的更复杂化、不同实体之间严重的Non-IID分布等问题.这些问题对现有的基于联邦学习的检测模型准确性与鲁棒性的进一步提高造成严重阻碍.针对上述问题,本文提出了一种基于联邦增量学习的SDN环境下DDoS攻击检测模型.首先,为解决集中式DDoS攻击检测的安全风险与数据增量带来的Non-IID分布问题,本文提出了一种基于联邦增量学习的加权聚合算法,使用动态调整聚合权重的方式个性化适应不同子数据集增量情况,提高增量聚合效率.其次,针对SDN环境中复杂的流量特征,本文设计了一种基于LSTM的DDoS攻击检测方法,通过统计SDN环境中流量数据的时序特征,提取并学习数据的时序关特征的相关性,实现对流量特征数据的实时检测.最后,本文结合SDN集中管控特点,实现了SDN环境下的DDoS实时防御决策,根据DDoS攻击检测结果与网络实体信息,实现流规则实时下发,达到有效阻断DDoS攻击流量、保护拓扑重要实体并维护拓扑流量稳定的效果.本文将提出的模型在增量式DDoS攻击检测任务上与FedAvg、FA-FedAvg和FIL-IIoT三种方法进行性能对比实验.实验结果表明,本文提出方法相比于其他方法,在DDoS攻击检测准确率上提升5.06%~12.62%,F1-Score提升0.0565~0.1410.

基于在线自组织增量学习的非侵入式负荷识别方法

随着电子技术智能化的发展,对实现电器负荷使用情况的精准识别在智慧用电领域将有广泛的用户需求。为了实现对电器设备的实时在线精确监测,本文提出了一种基于在线自组织增量学习(SOINN)的非侵入式负荷识别方法。该方法包含负荷特征提取、负荷特征分类及电器识别2个步骤。在负荷特征提取步骤中,提出了包含奇次谐波、均值、方差、3阶矩、4阶矩、电流有效值、功率谱峰值、功率谱谷值在内的共12维特征的特征提取方案。在负荷特征分类及电器识别步骤中,提出了结合SVM的SOINN的负荷特征分类及电器识别方法,以克服传统的SOINN算法不能实现电器类型识别功能的缺陷。通过C++语言将所提方法中的功能算法编写成微处理器系统的可执行功能模块,将功能模块移植部署在SoCFPGA的HPS端运行,实现了FPGA和HPS之间的协同高速数据通信。选取了8种常规家用电器作为负荷识别对象,搭建了基于SoCFPGA的硬件实验平台,进行了最优负荷特征选取,并采用本文方法对单电器与多电器的在线负荷进行了识别。实验结果:选取12维特征为本文方法的最优特征组合;本文方法的单电器与多电器的识别率均在95%以上。本文提出的负荷识别方法能够有效、准确地识别单电器与多电器;系统可实施性强,灵活性高,具有在线学习的优越性与实际应用的切实可行性。

基于增量式PID算法的香精施加系统设计

为解决加热不燃烧烟草制品生产过程中香精施加量无法根据薄片质量变化进行实时调控的问题,设计了一种基于增量式PID算法的香精施加系统。该系统由称重单元、螺杆泵、喷嘴、流量传感器等组成,通过称重单元实时获取薄片质量数据,根据理论计算模型确定香精施加量,基于增量式PID算法驱动螺杆泵定量输出香精至喷嘴中,利用流量传感器对香精施加量实时反馈,实现香精精准施加。验证结果表明,当薄片质量发生变化时,香精施加量可快速调整,最大超调量为1%,最长调整时间为1.8 s,系统具有较好的跟踪性能;施加量检测值与理论值的偏移率为0.23%~0.52%,施加量组内波动为3.11%~4.17%,系统可实现香精的准确、均匀、稳定施加。

目标机动补偿的动能拦截器增量式制导方法

面向目标强机动、推力干扰、测量偏差的动能拦截器强抗扰末制导方法设计问题,提出一种目标机动补偿的大气层外动能拦截器增量式强抗扰末制导方法。通过回采推力传感信息、视线转率辅助微分信息,同时联合增量式制导方法与惯性时延的扰动估计方法,对目标机动等不确定性和内外部不确定性等带来的扰动进行实时补偿并融合至制导算法,从而实现复杂工况下拦截器对抗机动目标的制导系统扰动降级与鲁棒增强等目的。复杂工况下仿真结果表明:所提方法对强机动目标、测量偏差、推力干扰等多源扰动具有强抗扰能力,并且能够实现精确碰撞式拦截任务。

10岁前月经初潮的中枢性性早熟女孩体格发育特点及剩余身高增量预测

目的总结10岁前月经初潮的中枢性性早熟(CPP)女孩的体格发育特点,预测10岁前月经初潮CPP女孩的剩余身高增量。方法选择10岁前出现月经初潮的CPP女孩57例(观察组)、10岁前未月经初潮仅乳房发育的CPP女孩93例(对照组),观察并测算两组患儿的生长参数,包括身高、体质量、体重指数、骨龄、胰岛素样生长因子-1、年龄别身高标准差积分(HtSDS-CA)、骨龄别身高标准差积分(HtSDS-BA)、骨龄指数、体质量指数Z分值(BMI-Z)、胰岛素样生长因子-1的标准差积分(IGF-1 SDS)、预测成年身高、遗传靶身高及预测剩余身高增量等,分别采用Pearson或Spearman相关性分析法分析预测剩余身高增量与观察组患儿生长参数的相关性,以观察组患儿预测剩余身高增量为因变量进行单因素线性回归分析,构建10岁前出现月经初潮的CPP女孩剩余身高增量的预测模型。结果与对照组相比,观察组患儿的骨龄、骨龄指数、HtSDS-CA、BMI-Z、IGF-1 SDS的均值高(P<0.05)。与遗传靶身高相比,观察组患儿预测成年身高明显低(P<0.05)。预测剩余身高增量与10岁前出现月经初潮CPP女孩的骨龄呈负相关(r=-0.994,P<0.05)。10岁前月经初潮的CPP女孩剩余身高增量的预测公式为Y(cm)=67.496-4.901×骨龄(岁)。结论10岁前月经初潮的CPP女孩的已经开始体格发育,生长潜力较小。

定量CMR参数对急性心肌炎诊断的增量价值研究

目的探究定量心脏磁共振(CMR)参数对急性心肌炎诊断的增量价值。方法选取2021年12月至2023年12月新乡市中心医院收治的120例急性心肌炎患者(急性心肌炎组)进行回顾性研究,另按2∶1比例选取本院体检健康者60例作为对照组,比较两组受检者的定量CMR参数,通过受试者工作特征曲线(ROC)分析定量CMR参数诊断急性心肌炎的价值效能,并对定量CMR参数进行中位数划分,分析定量CMR参数增量诊断急性心肌炎的价值。结果急性心肌炎组患者T1弛豫时间、T2信号强度比、早期强化率明显高于对照组,差异均有统计学意义(P<0.05);ROC分析结果显示,T1弛豫时间、T2信号强度比、早期强化率诊断急性心肌炎的曲线下面积(AUC)分别为0.783、0.798、0.644。急性心肌炎组患者T1弛豫时间、T2信号强度比、早期强化率值的中位数分别为1310.5 ms、2%、3.51%。按中位数将其划分为T1弛豫时间≥1310.5 ms亚组,T1弛豫时间<1310.5 ms亚组;T2信号强度比≥2%亚组,T2信号强度比<2%亚组;早期强化率值≥3.51%亚组,早期强化率<3.51%亚组。ROC分析结果显示,在T1弛豫时间≥1310.5 ms亚组、T2信号强度比≥2%亚组、早期强化率值≥3.51%亚组中T1弛豫时间、T2信号强度比、早期强化率值诊断急性心肌炎的价值较好,AUC分别为0.979、0.959、0.999。结论定量CMR参数诊断急性心肌炎均具有一定价值,对定量CMR参数进行增量划分后其诊断急性心肌炎价值更高。

不平衡数据下基于SVM增量学习的指挥信息系统状态监控方法

针对指挥信息系统历史状态样本有限的特点,基于支持向量机(support vector machines,SVM)设计了一种面向不平衡数据的SVM增量学习方法。针对系统正常/异常状态样本不平衡的情况,首先利用支持向量生成一部分新样本,然后通过分带的思想逐带产生分布更加均匀的新样本以调节原样本集的不平衡比。针对系统监控实时性要求高且在运行过程中会有新样本不断加入的特点,采用增量学习的方式对分类模型进行持续更新,在放松KKT(Karush-Kuhn-Tucker)更新触发条件的基础上,通过定义样本重要度并引入保留率和遗忘率的方式减少了增量学习过程中所需训练的样本数量。为了验证算法的有效性和优越性,实验部分在真实系统中获得的数据集以及UCI数据集中3类6组不平衡数据集中与现有的算法进行了对比。结果表明,所提算法能够有效实现对不平衡数据的增量学习,从而满足指挥信息系统状态监控的需求。

自动确定边角混合网独立闭合差的增量算法

为评定外业观测数据质量和发现粗差,提出了一种闭合差搜索的通用算法。首先,针对高速铁路隧道中的各类边角混合网,基于平差理论,计算由边角混合网中测站数、非测站数和观测数确定其独立闭合差的数目,给出最简闭合差构成原则,求出余弦和正弦闭合差,推导闭合差限差计算模型,建立由闭合差探测观测值粗差的方法;进而导出闭合差增量与测站递增产生的重叠观测点数之间的数学关系式,设计数据结构实现测站与结点间双向多对多的拓扑映射关系,并基于分治思想,提出队列-测站双循环的增量算法来自动搜索最简且独立的闭合差;最后,以西南某高速铁路隧道构建的边角混合网为例进行算法验证。结果表明:增量算法能够在混合网中自动确定100%数量的最简独立闭合差,对观测值中存在的粗差100%予以探测,验证了采用该算法搜索闭合差及检核粗差的有效性。

基于增量非线性动态逆的导弹解耦控制设计

针对导弹大迎角机动存在强耦合动力学特点,提出了一种基于增量非线性动态逆的解耦控制方法,将自动驾驶仪分为高带宽的快变角速率内回路和低带宽的慢变角回路控制,用部分逆近似求解的方法分别设计了增量形式的动态逆控制律对消不同的耦合项,实现控制解耦的目的。典型工况数字仿真结果表明,所设计的导弹增量非线性动态逆控制解耦律大大改善了强耦合动力学下的稳定控制性能。相比传统PID控制,它能够完全消除过载响应的低频振荡和超调量,同时还使得滚转角响应能够准确跟踪指令。

三阶段自适应采样和增量克里金辅助的昂贵高维优化算法

代理辅助进化算法已广泛应用于求解代价高昂的多目标优化问题,但大多数由于代理模型的局限性而仅限于解决决策变量低维的问题。为了解决高维的昂贵多目标优化问题,提出了一种基于三阶段自适应采样策略的改进增量克里金辅助的进化算法。该算法使用改进的增量克里金模型来近似每个目标函数,此模型的超参数根据预测的不确定性进行自适应更新,降低计算复杂度的同时保证模型在高维上的准确性;此外,在模型管理方面提出一种三阶段自适应采样的策略,将采样过程分为不同的优化阶段以更有针对性的选择个体,能够首先保证收敛性,提高算法的收敛速度。为了验证算法的有效性,在包含各种特征的两组测试问题DTLZ(deb-thiele-laumanns-zitzler)、MaF(many-objective function)和路径规划实际工程问题上与最新的同类型算法进行实验对比,结果表明该算法在解决决策变量高维的昂贵多目标优化问题上具有较强的竞争力。

一种有效的周期高效用序列模式增量挖掘算法

周期高效用序列模式挖掘(PHUSPM)因其能够发现时间序列中更具实际价值的规律性模式而备受关注,但现有的PHUSPM算法难以有效地处理数据集的增量更新,且未考虑大规模数据下算法的向下闭包性和复杂性。针对该问题,提出了IncPUS-Miner算法,有效地实现了周期高效用序列模式(PHUSPs)的增量挖掘。IncPUS-Miner引入了一种名为pu-tree的新型数据结构,每个树节点对应一个更新效用列表(UUL)用于存储相应序列的辅助信息,当有增量数据加入时,该结构使得项目信息能够灵活更新,从而增强了算法的动态适应性和可扩展性。此外,还提出了两种新的序列效用上界PUB和EUB,以及两种相应的剪枝策略,有效地减少了计算负担。实验结果表明,在真实数据集上,IncPUS-Miner算法可以有效地增量挖掘PHUSPs,与其他算法相比,在运行效率和内存消耗上展现出了优越的性能。

骨增量材料中血管新生性能的作用及认识

骨增量是种植治疗中解决骨量不足状况的必要手段,骨增量成功的关键之一是植入的骨增量材料应能发生血管新生,形成与宿主组织有效血氧交换的网络。本文就骨增量材料的血管新生作用研究进展进行阐述,为促进骨增量材料的研发及其临床转化提供建议和参考。

黏膜下注射地塞米松对种植骨增量术后镇痛及消肿的疗效观察及因素分析

目的研究黏膜下注射地塞米松对种植骨增量术后镇痛及消肿的疗效,并分析种植骨增量术后疼痛和肿胀的相关因素。方法收集2023年1月至2023年12月于南京医科大学附属口腔医院特诊科就诊的牙列缺损需实施骨增量(GBR或上颌窦内提升)的患者,测量并记录术后72 h内的疼痛和肿胀情况,以及可能的影响因素,包括性别、年龄、种植数量、手术时长、口腔卫生状况、FAC术前紧张程度及PSQ疼痛敏感性值,对两组不同时间的疼痛程度和肿胀程度进行差异比较,并对可能的影响因素进行皮尔森相关性及多元线性回归分析。结果给予地塞米松干预的患者疼痛程度在12 h起显著低于对照组,而肿胀评分在48 h开始显著低于对照组。相关性分析及回归分析显示,GBR术式对术后疼痛和肿胀有显著影响(r=0.348,P=0.030/r=0.441,P=0.005),其疼痛程度的线性回归模型同样具有统计学意义(R^(2)=0.126,P=0.030)。结论黏膜下注射地塞米松能够显著缓解种植骨增量术后患者的疼痛及肿胀不适,提高诊疗舒适度。