基于区块链的可信制造供应链溯源框架设计

针对传统制造业供应链管理信息不透明、数据流易窜改以及追溯能力不足等导致的供应链组织间缺乏信任、机会成本增加的问题,利用区块链技术设计了可信制造供应链溯源(trusted manufacturing supply chain traceability,TMSCT)框架。首先,设计了一种主从链协作机制,帮助用户在保护隐私的同时进行可信合作;其次,通过链上链下存储模式减轻分布式节点的存储压力;最后,基于布隆过滤器与Merkle树构建B-Merkle树,以快速判断当前区块是否包含目标数据。实验结果表明,B-Merkle树可以有效降低查询请求的平均处理时延,所提框架在数据存在性判断、隐私保护、灵活性和缓解节点存储压力方面相比现有解决方案具有更好的表现。

基于改进BiGRU的刀具磨损预测

针对双向门控循环神经网络(bidirectional gated recurrent unit,BiGRU)超参数难以确定以及对重要特征捕捉能力较弱的问题,提出了一种改进模型用于刀具磨损预测。模型采用经过下采样的多通道传感器数据作为输入,使用随机搜索算法自适应的确定深度学习模型的最优超参数组合,并引入注意力机制与指数搜索算法增强对全局特征与局部趋势的捕捉能力。模型在PHM2010数据集上进行了实验验证,结果表明,该方法可快速确定超参数组合,并获得更稳定的预测值,具有更好的综合性能。

高原地区四点源诱偏系统抗ARM防护性能仿真分析

针对传统反辐射导弹(ARM)攻击仿真模型难以评价高原复杂地形下雷达诱饵的防护效能问题,对传统雷达诱饵诱偏模型进行了改进.首先建立了ARM攻击有源诱偏系统的运动模型,分析了有源诱偏系统对ARM的影响;然后在此基础上,模拟仿真了高原条件下最佳四点源诱偏系统分布模型的抗毁效能.仿真结果表明,通过增大各辐射源高度差可以有效弥补因间距缩短导致的防护概率下降的问题;利用前三角形布站形式,当各辐射源部署间距为100m和高度差为60m时,雷达的防护概率可以达到99.1%,基本满足雷达有源诱偏系统对雷达的防护要求.

基于IGWO的台车轮注油系统注油量控制方法研究

传统烧结机台车轮自动注油系统注油量控制存在控制精度低和鲁棒性差等问题,已经无法满足精确注油的需求。为改善注油性能,提出一种基于改进灰狼(IGWO)算法的烧结机台车轮注油量智能控制方法。利用MATLAB软件辨识注油量控制系统数学模型;搭建BP神经网络PID注油量控制系统;为了提高灰狼算法的收敛速度,引入非线性收敛因子和动态权重,设计IGWO算法实现对BP神经网络的最优初始值及阈值的寻优,输出最优PID控制参数;最后,在仿真环境下,将用IGWO算法优化前后的控制效果进行对比。结果表明:所设计的PID控制器超调小、控制精度高,能够实现注油量的智能控制,满足精确注油的需求。

基于颜色属性直方图的尺度目标跟踪算法研究

利用目标颜色信息的跟踪算法,容易受到环境光照、尺度变化、相似背景等因素的干扰,导致跟踪任务失败。为了克服以上问题,该文提出一种基于颜色属性空间的鲁棒尺度目标跟踪算法。该算法首先将原始的RGB颜色空间映射到颜色属性(Color Names,CN)空间,减少目标颜色在跟踪过程中受环境变化影响。然后采用一种背景加权约束的颜色属性直方图,来抑制相似背景的干扰。最后,为了解决目标尺度变化带来的影响,先用梯度上升法粗略估计尺度,再用约束项精确求解尺度,并利用反向一致性检验,进一步提高尺度估计的准确性。该文选取了5段典型视频进行实验,并与相关算法进行比较。结果表明所提算法能够消除环境光照、阴影、相似背景和尺度变化等因素所带来的影响,在中心位置误差和跟踪成功率性能指标上,优于其它算法。

基于多尺度空间划分与路网建模的城市移动轨迹模式挖掘

针对城市移动轨迹模式挖掘问题展开研究,提出移动全局模式与移动过程模式相结合的挖掘方法,即通过移动轨迹的起始位置点–终点位置点(Origin-destination,OD点)与移动过程序列分别进行移动全局模式与过程模式的发现.在移动全局模式发现中,提出了弹性多尺度空间划分方法,避免了硬性等尺度网格划分对密集区域边缘的破坏,同时增强了密集区域与稀疏区域的区分能力.在移动过程模式发现中,提出了基于移动轨迹的路网拓扑关系模型构建方法,通过路网关键位置点的探测抽取拓扑关系模型.最后基于空间划分集合与路网拓扑模型对原始移动轨迹数据进行序列数据转换与频繁模式挖掘.通过深圳市出租车历史GPS轨迹数据的实验结果表明,该方法与现有方法相比在区域划分、数据转换等方面具有更好的性能,同时挖掘结果语义更为丰富,可解释性更强.

基于网格聚类的热点路径探测

针对现有热点路径探测算法需要路网拓扑结构的支持,以及难以准确识别热点路径的复杂耦合现象的问题,提出了一种基于网格聚类的热点路径探测算法。算法将移动轨迹映射为网格序列,以邻接网格间的共有轨迹量来定义网格间的密度可达性,并据此将网格分划抽象为图模型。然后以图论中的相关理论为基础提出了网格聚类算法Grid Growth,即热点路径探测算法。实验结果表明:本文算法能有效探测热点路径,且能准确识别热点路径的复杂耦合现象。

随机采样移动轨迹时空热点区域发现及模式挖掘

针对随机采样条件下移动轨迹在时间轴分布疏密不均的特点,在将三维时空轨迹转换为一维时间投影数据的基础上,提出一种基于密集时间区间自动检测的时空热点区域发现与移动模式挖掘方法。通过自底向上的动态聚类方式以探测密集时间区间,进而在密集时间区间内进行移动轨迹的时空热点区域发现。最后,采用深度优先的序列模式挖掘算法挖掘频繁移动模式集合。基于合成数据的仿真试验,验证了算法在有效性及可扩展性方面均具有较好的性能。

针对多聚类中心大数据集的加速K-means聚类算法

随着数据量、数据维度呈指数发展以及实际应用中聚类中心个数的增多,传统的K-means聚类算法已经不能满足实际应用中的时间和内存要求。针对该问题提出了一种基于动态类中心调整和Elkan三角判定思想的加速K-means聚类算法。实验结果证明,当数据规模达到10万条,聚类个数达到20个以上时,本算法相比Elkan算法具有更快的收敛速度和更低的内存开销。

位置不确定移动时空轨迹频繁模式挖掘

针对不确定移动轨迹ε-邻域的空间分布特征,提出一种基于网格分割面积的不确定轨迹近邻网格概率匹配方法,将原始不确定移动轨迹数据转换为以网格单元表示的概率序列数据,通过对经典序列模式挖掘算法Prefix Span的相关改进,设计并实现了适应于严格时间间隔约束条件下的移动概率序列模式挖掘算法UTFP-Prefix Span.合成数据的测试实验仿真结果表明,本文所提出的方法较基于距离的概率转换方法在挖掘结果、可扩展性等方面具有更好的性能.

集成三级物流系统的网络规划问题研究

选址—路径问题是物流系统中的一个组合优化问题,启发式方法一般采用两阶段法将其分解为选址分派和车辆路径问题来顺序求解,但这两个阶段间的信息无法有效传递,因而往往不能得到集成问题的优化解。设计了具有能力约束的三级物流网络选址—路径问题模型,采用遗传算法整体求解该问题,避免了顺序求解带来的问题;设计了采用整数编码的三级染色体编码结构,采用禁忌搜索算法对交叉和变异操作作了改进,提高了算法的搜索效率,能够更适合集成问题的求解;最后通过算例分析,验证了本算法求解小规模选址路径问题的有效性。

考虑订单组批特性的特种铝锭组炉优化

铝锭熔炼是特种铝合金生产的首道工序,直接影响后面工序的生产效率和产成品质量.针对熔炼过程中,由于产品种类多样以及批量大小不一导致的制定组炉计划效率低以及组炉结果不优等问题,本文考虑熔炼炉工艺、设备特点以及订单组批规则等约束条件,建立以最小炉次数和最大订单铸锭占用比例为目标的组炉优化模型.分析该模型的特点,采用以订单分配百分比为决策变量的实数编码规则.提出一种基于冯诺伊曼拓扑结构的粒子群算法对其进行求解,并融入局部聚性算子改善算法寻优能力.设计基于真实生产数据的仿真实验,实验结果说明该模型和所提出的求解算法能够有效地解决特种铝锭组炉优化问题,符合企业实际需求.

基于深度学习的图像描述研究

卷积神经网络(Convolution Neural Networks,CNN)和循环神经网络(Recurrent Neural Networks,RNN)在图像分类、计算机视觉、自然语言处理、语音识别、机器翻译、语义分析等领域取得了迅速的发展,引起了研究者对计算机自动生成图像描述的广泛关注。目前图像描述存在的主要问题有输入文本数据稀疏、模型存在过拟合、模型损失函数震荡难以收敛等问题。文中使用NIC作为基线模型,针对数据稀疏问题,改变了基线模型中的文本one-hot表示,使用word2vec对文本进行映射,为了防止过拟合,在模型中加入了正则项和使用Dropout技术,并在词序记忆方面取得创新,引入联想记忆单元GRU,用于文本生成。在试验中使用Adam Optimizer优化器进行参数迭代更新。实验结果表明:改进后的模型参数减少且收敛速度大幅加快,损失函数曲线更加平滑,损失最大降至2.91,模型的准确率比NIC提高了接近15%。实验有效地验证了在模型当中使用word2vec对文本进行映射可明显缓解数据稀疏问题,加入正则项和使用Dropout技术可有效防止模型过拟合,引入联想记忆单元GRU能够大幅减少模型训练参数,加快算法收敛速度,进而提高整个模型的准确率。

基于影响模型的短时交通流预测方法

根据复杂交通网络中多个节点之间交通流相互影响的特性,提出一种基于影响模型的短时交通流预测方法。分析交通网络中交通流预测的难点,引入随机过程中影响模型的理论对其进行建模。将每个节点的交通流处理为一个隐马尔科夫过程,整个网络由多个相互交互的隐马尔科夫过程组成,采用EM算法对模型参数进行训练。实验结果表明,该方法具有较高的预测精度,可较好地显示交通网络中多个节点之间交通流的交互规律以及动态演化规律。

基于认知体系的自适应行为建模方法

预见性自适应行为的自主管理过程和自主目标实现,是目前人工智能领域的一个重要研究方向。基于SOAR认知体系框架设计了一种预见性自适应行为模型,将SOAR认知体系中的问题解决机制和学习机制应用到模型设计中,根据任务要求在特定的问题空间中设计合适的操作符,利用操作符实现状态的转移,达到预期目标状态;并在移动机器人的行为规划中实现了该模型,应用表明在实际环境中移动机器人可以自主进行行为选择,完成任务,取得了良好的仿真效果。

隐式反馈场景下基于Pairwise排序学习的因子分解机算法

针对隐式反馈场景下的推荐问题以及如何融入用户物品的上下文信息来进行推荐,提出了一种结合Pairwise排序学习与因子分解机的隐式反馈推荐模型。首先借鉴排序学习中Pairwise的方法解决隐式反馈负反馈缺失的问题,然后选择因子分解机作为排序函数来建模用户的上下文信息,从优化物品排序的角度出发建模用户偏好,进而针对不同用户进行个性化推荐。最终实验也表明,所提出模型在排序指标MAP和NDCG上都要优于其他3种对比算法,在解决隐式反馈下推荐问题的同时,可以利用用户的上下文信息进一步提高推荐的准确度。

基于全局交互的图像语义理解方法

针对图像语义生成过程中图像信息易模糊的问题,提出基于双向门控循环单元(GRU)和图像信息全局交互相结合的图像语义生成模型,通过图像和文本数据进行正则化处理和文本向量映射方法,实现模型驱动的图像语义生成.实验结果表明,所提出模型能较好地解决数据稀疏和偏态问题,采用GUR单元可以进一步降低模型参数规模,加快算法收敛速度,有效抑制模型过拟合,提高图像内容的丰富度、准确性和逻辑性.

智能制造空间

在基于泛在信息的智能制造时代,信息技术的大量涌现,以从未有过的能力,不断满足市场对制造业变革的技术需求,极大地冲击和促进制造业从传统模式向未曾有过的模式转变,使其逐步进入新的、不断发展的信息环境与制造模式之中,这种新的信息环境与制造模式组成了智能制造空间,它的发展与变化将影响智能制造的发展.文章详细阐述了在制造系统结构、设计与制造技术、人机关系方面正在发生的巨大变革,并且指出以"分散与集中相统一的制造系统、虚实结合的设计与制造手段、人机共融的生产方式"为特征的智能制造空间将快速形成,重塑需求牵引和技术驱动下的智能制造发展模式和技术体系.

基于路网探测的轨迹模式挖掘

针对现有的移动受限轨迹离散化方法效率低、不直观、易丢失移动模式等问题,提出了一种先进行路网结构探测,再基于道路匹配对轨迹进行离散化的方法.算法首先基于数学形态学理论从轨迹中提取出路网结构,然后将轨迹点匹配到路网中的网格中,以网格序列来表示连续的轨迹,最后使用最大频繁序列模式挖掘方法从中挖掘出轨迹模式.实验结果表明,该算法能够快速有效地对轨迹进行离散化,且能比其它算法挖掘出更多更细致的轨迹模式.