基于冗余选择策略差分进化的供水管网多目标优化

针对进化算法在大规模供水管网优化设计过程中计算效率低的问题,提出一种基于冗余选择策略差分进化算法。该方法在选择阶段往每一代种群中重复添加冗余数个当代最优解向量形成父代种群,适当降低种群多样性引导种群向更好的方向进化、快速获取近似最优解。以管网造价为经济性目标函数、节点富余水头方差为可靠性目标函数,建立供水管网优化设计的多目标数学模型,并采用BIN基准管网加以验证。利用冗余选择策略差分进化算法进行计算时,冗余度为6%可在保证解精度的情况下提高62.768%的计算效率,冗余度为1%~6%时得到的经济性指标和冗余度为1%~3%时得到的可靠性指标均优于标准差分进化算法,并得到F最佳取值范围为0.1~0.3,CR取0.4最佳。基于冗余选择策略差分进化算法可提高计算效率,能快速有效地获得供水管网优化问题的近似最优解,表现出良好性能。

基于选择性冗余的测试数据自动生成算法

基于选择性冗余思想,提出了一种测试数据自动生成算法.算法首先利用分支函数线性逼近和极小化方法,找出程序中所有可行路径,同时对部分可行路径自动生成适合的初始测试数据集;当利用分支函数线性逼近和极小化方法无法得到正确的测试数据时,基于使得测试数据集最小的原理和选择性冗余思想,针对未被初始测试数据集覆盖的谓词和子路径进行测试数据的增补.由于新算法结合谓词切片和DUC表达式,可以从源端判断子路径是否可行,因此能有效地降低不可行路径对算法性能的影响.算法分析和实验结果表明,该算法有效地减少了测试数据数量,提高了测试性能.

容错深度学习加速器跨层优化

容错深度学习加速器是保障高可靠深度学习的基石,也是深度学习应用于安全关键领域如宇航、机器人等面临的一个关键环节.然而,深度学习计算和访存都非常密集,传统基于冗余计算的容错方法直接应用于深度学习加速器的容错设计会导致严重的功耗、芯片面积等硬件资源开销.为此,从神经元计算任务和神经元的数据位宽2个维度挖掘深度学习模型对于故障的敏感度差异,并利用这些差异从架构和电路层分别对于敏感的部分提供更多的保护以降低容错代价.同时,利用深度学习自身的容错特性,通过限制量化缩小电路层需要保护的电路逻辑规模.最后,利用贝叶斯优化协同优化算法、架构和电路的跨层设计参数,在保障深度学习可靠性、精度以及性能的前提下,最小化硬件资源开销.

基于mRMR-SOM的异步电机轴承故障诊断研究

针对异步电机轴承故障诊断问题,提出了一种融合最大相关最小冗余特征选择算法(mRMR)和自组织映射神经网络(SOM)的故障诊断方法,并将其应用于轴承故障诊断的不同阶段。首先,在实验室环境下搭建了异步电机故障诊断试验平台,在不同电机状态下分别采集振动、电流和电压信号,利用统计学方法获取了高维混合特征集;然后,以互信息为背景,利用mRMR根据特征与状态标签间的相关性和特征间的冗余性,筛选了具备强区分能力的特征,以避免计算冗余和后验诊断性能下降;最后,采用SOM对异步电机健康和轴承故障状态进行了分类识别,验证了SOM对异步电机轴承故障诊断的有效性,以及mRMR对故障诊断结果的影响。研究结果表明:基于mRMR-SOM的异步电机轴承故障诊断方法能够准确地区分健康和故障状态,测试集分类准确率达到89%;使用mRMR特征筛选能够将154维特征降低至17维,缩短23.5%的网络收敛时间,并将分类准确率由89%提升至98%;试验结果验证了基于mRMR-SOM的异步电机轴承故障诊断方法对于异步电机轴承故障诊断问题的有效性,且证实其具备良好的诊断效果。

一种超静平台主动指向容错控制方法

针对超静平台主动指向控制中的作动器故障问题,提出一种超静平台主动指向容错控制方法。首先,基于超静平台的一般动力学模型,推导用于指向控制的解耦模型和标准解耦矩阵,将超静平台由高度耦合的复杂多输入多输出系统变为多个相对简单的单输入单输出系统,有利于控制器的设计和容错控制方法的引入;在此基础上,针对作动器的故障问题,提出指向控制重构策略,并建立新解耦矩阵;进一步,提出基于解耦矩阵条件数最小的冗余自由度选择方法;最后,进行了数值仿真分析。仿真结果表明:基于冗余自由度最优选择的主动指向容错控制方法能够最大限度地减少作动器故障对超静平台主动指向控制效果的影响。

存储器芯片激光修正技术及其应用

在存储器制造过程中,利用激光修正技术,可将冗余存储单元置换不良存储单元,达到修复存储器芯片、提高良品率的目的。其工作原理主要是通过熔断指定的预置熔丝,开启或禁止各种控制门电路,实现冗余存储电路的置换。其工艺参数设定涉及圆片参数(如圆片尺寸、预对准方式等)、芯片参数(如芯片尺寸、对准方式等)、激光参数(如激光能量、切入方向等)、熔丝参数(如熔丝宽度、坐标位置等)、运行流程(切割作业程序、切割顺序程序等)等众多方面。本文首先将对激光修正原理及关键电路工作原理进行详细说明,然后以4M激光修正机实施64M改造进行特殊修正事件为例。说明激光修正技术中的主要技术要点,并显示改造后修正机进行实际修正的外观效果及不良修复效果。

基于改进VGG16的大米加工精度分级方法研究

为了准确识别大米精度等级,结合超列技术(Hyper column technology,HCT)、最大相关-最小冗余(Max-relevance and min-redundancy,MRMR)特征选择算法和极限学习机(Extreme learning machine,ELM),提出了基于改进VGG16卷积神经网络的大米分级检测方法。首先,使用机器学习中的One Hot格式进行编码,对数据进行归一化;然后采用VGG16卷积神经网络结合HCT技术作为特征提取器,从而保证从不同的深层结构中提取出局部鉴别特征,共提取5 248个大米特征信息;采用MRMR特征选择算法剔除大量冗余的大米图像特征,筛选出最有效的500个特征;最后,利用ELM技术进行大米加工精度分级。将5 848个样本图像按6∶3∶1的比例随机分为训练集、测试集与验证集,对模型进行训练与测试,结果表明,基于改进VGG16卷积神经网络的大米加工精度分级模型对1 755个测试集大米样本分类的总体准确率达到97.32%,对大米加工精度的分级预测速度在85 t/h以上,基本满足大米生产线的分级要求。