一种新的光伏发电预测模型的设计

为了对光伏发电的输出功率进行预测,本文分析光伏发电的影响因素,提出了一种基于太阳辐射功率曲线匹配的预测模型。该模型将历史数据按时段进行分解,查找与当前时段太阳辐射功率曲线最为匹配的数据,以此构建并训练BP神经网络,来预测未来3个小时内的太阳辐射功率,能够较好的实现预测目标。实验结果表明,该模型有较高的精度,可对电网调度起到重要的指导作用。

静重式力标准机平滑加载系统改进研究

针对静重式力标准机加(卸)载过程中出现的力值波动及"逆程"现象,提出一种新的平滑加(卸)载解决方案,建立完整的静力学和运动学模型。实验结果表明:使用该加(卸)载方案能有效的减少力值波动,消除了"逆程"现象。

浅谈工业机器人应用领域1+X证书制度试点工作难点及推进策略

目前针对与工业机器人技术相关的X证书有4种,各院校在推进1+X证书试点工作过程中,出现了多种难题,如学校自身不重视,缺少投入;教师投入1+X认证工作的积极性不足;学生选择何种证书进行考核犹豫不决;企业对X证书的认知不清晰等。对于这些难题,本文笔者给出了自己的建议,如将1+X考证工作纳入政府对院校的考核体系;建立向1+X工作倾斜的绩效考核制度,提升教师的参与积极性;加强教师团队建设;努力推进课证融合;严把考证质量关,提升证书含金量;积极推进院校和产教融合型企业合作等。

基于机器识别的服装智能化生产技术思考

随着科技的飞速发展,近几年时间里,服装行业的智能化生产技术的发展越来越受到人们的关注。基于机器识别服装智能化生产技术的思考,对机器识别的服装智能化生产技术作出相应研究。目前,服装是全球经济利益最大的产业之一,基于机器识别的服装智能化生产通过对海量的服装生产数据进行学习并且挖掘出服装智能化生产的信息,通过智能化生产让服装智能化越来越受到工业界和学术界的关注,针对智能化与结合服装生产数据的特点提出了基于机器识别的服装智能化生产分析的基本方式。

基于样本倍增、深度神经网络与SVM的少样本图像识别技术

基于深度神经网络的图像识别技术在少样本情况下会出现识别准确率下降,甚至训练失败的情况。本文针对该问题,提出了一种将少样本倍增、深度神经网络、SVM(support vector machine)相结合的算法。通过样本倍增提升样本数量,通过深度神经网络训练得到图像的高维特征,通过经典特征提取算法提取图像常规特征,构建包含高维特征和常规特征的支持向量,使用SVM进行训练。实验表明,本文所提方法对于特定样本集,在样本数量为总样本1/40的情况下,识别准确率达到61.36%(仅仅使用YOLO神经网络算法识别准确率为44.08%),大大提高了少样本下目标识别准确率,具有重要的应用价值。

一种时间戳已知通信信号的高精度单站无源定位算法

为解决来波方位角测量误差较大给定位精度带来的不利影响,本文提出了一种利用匀速直线的运动状态构造约束条件,然后通过一系列观测值对速度进行估计,进而对方位角度的测量值进行修正的算法。使用修正之后的方位测量值进行定位参数的求解,将会提高定位精度。仿真结果表明,本文所提算法具有较高的定位精度,适合实际应用。