基于特征输入的数控车床在线编程系统的研究

介绍了基于特征输入的数控车床在线编程系统。该系统包括图形输入和编辑 ,切削加工处理以及动态模拟等部分。研究了特征输入模式下零件图的处理以及刀具干涉的处理 ,并给出了系统实际应用的示例 ,其结果和 FANUC1 0 T的 SFAPT处理的结果相同 。

面向暂态电压稳定评估的卷积神经网络输入特征构建方法

以卷积神经网络(CNN)为代表的深度学习算法在电力系统暂态电压稳定评估中开始得到应用,但其输入特征的构建方法及合理性验证未得到充分的研究。面对交直流系统暂态电压稳定评估,提出了一种适用于CNN的输入特征构建方法。首先,基于双阶段分区来降低输入特征的维度和冗余度,即先依据系统拓扑关系和地理位置约束给出初始分区结果,再以节点的暂态电压特征相似性进行聚类,得到降低维度和冗余度后的最佳分区方案;然后,在分区结果的基础上,考察影响交直流系统暂态电压稳定的关键因素,构建兼顾稳态特征量和多维度故障信息的输入特征;最后,将所构建的输入特征应用于CNN暂态电压评估模型,并采用实际电网数据进行验证。仿真结果表明,所提方法较传统特征选择方法具有更高的准确性。

基于Tabu搜索技术的暂态稳定分类神经网络的输入特征选择

输入特征选择和输入空间降维是基于神经网络暂态稳定评估的首要问题,稳定分类结果的准确率主要决定于所选特征组成的输入空间的可分性。为此,讨论了如何选取一组代表性较好的输入特征,以降低输入空间维数和获取高的可分性;提出了一组用于稳定分类的系统特征及新的基于粗糙集理论特征离散化的类别可分离性判据,并利用Tabu搜索技术从维数较大的初始特征集中选择出一组有效特征,从而显著地降低了输入空间的维数。在10机39节点的新英格兰系统中的应用表明了所选方法的有效性。

多输入特征融合的组合支持向量机电力系统暂态稳定评估

利用支持向量机(SVM)方法进行暂态稳定判别时,输入特征的选择是影响最终结果的最重要因素。传统启发式和试探式方法不能从根本上解决输入特征选择的问题。本文利用信息融合思想,在构造的具有不同输入特征的多组子分类器的基础上,对子分类器的结果在输出空间再进行信息融合,以提高分类准确率。文中从不同角度启发式的构造了 4,构成四组弱分类器。以这四组弱分类器为子分类器,再构造一个融合 SVM 对几种子分类器的结果以回归方式进行融合,作为最终判别结果。IEEE 39-BUS 和IEEE145-BUS 测试系统上进行的仿真表明,弱分类器的分类性能经过融合得到明显强化,融合后的结果比任何一种子分类器的结果以及一次包含所有输入特征的结果都更准确。该方法为在线快速进行暂态稳定计算提供了一条重要途径。

基于正则化互信息改进输入特征选择的分类算法

针对基于互信息(MI)传统特征选择方法中要求确定冗余度参数β的问题,提出一种改进型特征选择算法NMIFS-FS2。该算法在对连续或离散特征进行选择时,输入为特征组合与类之间的MI,代替传统算法中单一特征与类之间的MI,解决了冗余度参数β很难确定的问题,扩大了应用范围。进行的两组实验验证了该算法的有效性。实验结果表明,相比几种传统的分类算法,该算法具有更好的鲁棒性、稳定性和高效性。

内建自测试中多输入特征寄存器的硬件开销的减少

在内建自测试中 ,针对随机向量测试 ,本文提出了一种通过输出信号分组压缩来减少多输入特征寄存器 MISR的硬件开销的方法。该方法是在分析输出信号之间相关性的基础上 ,根据给定的 MISR阶数构造具有最小相关度的输出信号集合组 ,以此来减少输出信号分组压缩时的故障覆盖率损失。

暂态稳定评估关键输入特征选择与评判规则

关键输入特征选择与评估模型是基于人工智能(AI)的电力系统暂态稳定评估方法研究的关键点.文中采用数据驱动的特征选择和规则提取算法,通过仿真实例评估关键特征,并提取稳定判别规则.在特征选择中采用基于遗传算法的k阶近邻法(GA-knn)评价特征的性能;在规则提取中,采用关联规则的分类器构造算法,生成暂态稳定评估规则.通过对10机39节点系统和3机9节点系统中应用结果的对比分析,在53维候选特征中得出了相对通用的暂态稳定评估关键特征,并得到不同网架结构中稳定评判规则表现出的适用性和在稳定边界上的特异性.

基于多输入特征寄存器的哈希方法

无源器件的能量和计算资源有限。针对这种器件的安全认证需求,提出了一种新的哈希方法M-hash。该方法基于低复杂性的并行输入LFSR,即多输入特征分析寄存器(MISR),采用并行压缩方法,具有硬件复杂性低、速度快等特点。理论分析和具体硬件实现表明,M-hash在硬件复杂性、压缩速度和安全性等方面均优于另外一种基于LFSR的Toeplitz哈希方法。

基于卷积门控循环单元的波浪发电系统输出功率预测

为高效准确预测波浪输出功率,提出卷积神经网络和门控循环单元混合模型波浪预测算法。采用间接预测方法,搭建直驱式波浪发电系统模型,运用CORREL函数分析不同波浪特征的相关性,结合卷积神经网络提取特征与高维空间中的波高关系,构造特征向量,通过门控循环单元网络进行训练,将全连接层的输出值经反归一化后获得预测波高值,输入所搭建模型,获得波浪输出功率预测值。仿真结果表明,与其他网络模型相比,在多特征输入情况下,混合模型波浪预测算法预测效率更高、精度更准确。

基于LSTM神经网络的降水量预测研究

准确有效的降雨预测模型对于农业水资源管理有重要意义。文章以山西省兴县地区历史降雨资料为研究对象,提出了一种基于长短期记忆网络(LSTM)结合多特征输入的模型方法,并将预测结果与降雨实测数据进行比对验证。结果表明,引入多特征的LSTM模型相较于仅以降水量为特征的模型在评估指标上有明显提升,表现出更好的预测性能。结合多特征的LSTM模型能够满足精确预测降雨的实际需求,对于提高农业水资源管理效率具有重要意义。

基于帧结构的语音对抗样本重点区域扰动分析

目前针对语音识别模型的对抗攻击主要是在整条语音上添加噪声,扰动范围大且引入了高频噪声.现有研究在一定程度上缩小了扰动范围,但由于语音对抗攻击需要在每帧添加扰动实现对转录结果的控制,限制了扰动范围的进一步降低.针对此问题,从帧结构的角度研究了语音识别系统中的特征提取流程,发现分帧和加窗处理决定了帧结构中重点区域的分布,即帧内各采样点上添加扰动的重要性受采样点所处位置的影响.首先,根据对输入特征的扰动分析结果进行区域划分;然后,为了量化这些采样点对求解对抗样本的重要性,提出了对抗样本空间度量方法和相应的评价指标,并设计了在帧内不同区间上添加扰动的交叉实验,进而确定了扰动添加的重点区域;最后,在多个模型上进行了广泛的实验,表明了在重点区域添加对抗扰动能够缩小扰动范围,为高质量语音对抗样本的生成提出新的角度.

基于发音特征的汉语普通话语音声学建模

将表征汉语普通话语音特点的发音特征引入汉语普通话语音识别的声学建模中,根据普通话发音特点,确定了用于区别普通话元音、辅音以及声调信息的9种发音特征,并以此为目标值训练神经网络得到语音信号属于各类发音特征的后验概率,将此概率作为语音识别的输入特征建立声学模型。在汉语普通话非特定人大词表自然口语对话识别系统中进行了实验验证,并与基于频谱特征的声学模型进行了比较,在相同解码速度下,由此方法建立的声学模型汉字错误率相对下降6.8%;将发音特征和频谱特征进行了融合实验,融合以后的识别系统相对基于频谱特征系统的汉字错误率相对下降10.1%。上述结果表明,基于发音特征的声学模型更加有效的实现了对语音特性的表征,通过利用发音特征和频谱特征的互补性,能够进一步实现对语音识别性能的提高。

语言输入理论与外语学习

在讨论克拉申的“输入假设”、隆氏的输入理论和乔姆斯基关于语言输入论述的基础之上，阐述语言输入的一些特征，如量的大小、结构的复杂程度、可理解程度、语体的正式程度、输入内容的难度等，分析对外语学习的潜在影响，然后从信息学和认知角度探讨如何使语言输入变成语言吸收，最后讨论语言输入的一种形式——课堂讲授的作用。

不同特征向量下基于SVM的短期风速预测

选取广东省某风电场的测风数据,运用支持向量机(SVM)的方法对其进行短期风速预测。为提高预测的精度,通过LIBSVM回归机的交叉验证函数确定最优参数,建立4种不同输入特征向量组合(风速序列、风速和风向、风速和气压、风速风向和气压)的模型,分别预测该风场的短期风速,并对4种模型的预测误差进行分析和比较。实验结果表明:气压不宜作为输入特征向量;选用风速和风向作为输入特征向量的模型,预测效果最理想,其平均绝对百分比误差为12.8%。

考虑新能源多场站短路比的暂态过电压风险评估

为解决电力系统暂态过电压风险评估中输入特征集构建合理性不足、强相关性差等问题,提出一种考虑新能源多场站短路比MRSCR(multiple renewable energy stations short circuit ratio)的暂态过电压风险评估方法。首先,通过分析暂态过电压数学模型,发现MRSCR与暂态过电压呈负相关性;然后,综合考虑MRSCR与其他影响系统暂态过电压的关键因素,构建多维输入特征集;最后,通过卷积神经网络建立输入特征与暂态过电压的高维映射,实现系统暂态过电压风险的快速、准确评估,并通过算例分析验证了所提方法的有效性、可行性。

逻辑内建自测试技术进展综述

逻辑内建自测试(logic buit-in self-test,LBIST)是一种可测试性设计技术,利用芯片、板级或系统上的部分电路测试数字逻辑电路本身。LBIST对于许多应用来说至关重要,尤其是国防、航空航天、自动驾驶等生命和任务关键型的应用。这些应用需要执行片上、板上或系统内自检,以提高整个系统的可靠性及执行远程诊断的能力。该文首先给出了常用的LBIST分类,并描述了经典的,也是工业界应用最成功的LBIST架构——使用多输入特征寄存器和并行移位序列产生器的自测试架构;其次,对国内外研究团队、研究进展进行了总结;再次,详细剖析了LBIST的基本原理、时序控制、确定性自测试设计、低功耗设计、“X”容忍等关键技术点,列举出了主流的LBIST商业工具,并逐一分析了其软件架构和技术特点;最后,讨论当前LBIST技术仍需进一步解决的问题,并进行展望。

TEM4听力测试部分输入真实性分析

随着交际语言测试在语言测试发展过程中成为主流,真实性作为决定英语测试整体有效性的重要质量标准之一,受到越来越广泛的关注。本文以交际测试理论为基础,运用巴赫曼和帕尔默提出的任务特征框架分析TEM4听力测试部分的输入真实性程度,认为TEM4听力测试任务的输入特征具有较高的真实性,但仍有提高空间。

基于grcForest模型的风电并网系统暂态电压稳定评估

针对现阶段机器学习在风电并网系统暂态电压稳定评估的快速性、准确性方面存在的不足,提出了一种基于grcForest模型的风电并网系统暂态电压稳定评估方法。首先针对输入特征数目随着级联森林层数的增加可能出现的梯度增长或梯度减少的问题,采用残差网络对其进行优化,保证了层数增加后的模型依旧能保持最初的学习能力;其次分析风电并网系统暂态电压的关键影响因素,结合暂态故障构建输入特征;再通过评估模型离线训练,完成模型的参数设置和性能优化;最后把构建完成的输入特征应用于grcForest风电并网系统暂态电压稳定评估模型,结合数据对模型进行评估验证。IEEE10机39节点系统的仿真分析验证了该方法的快速性和准确性。

基于PCC和KELM的电力系统暂态稳定分析方法

为准确及时地监测电力系统的运行状态,提出一种基于皮尔逊相关系数(Pearson Correlation Coefficient,PCC)和核极限学习机(Kernel Extreme Learning Machine,KELM)的电力系统暂态稳定分析方法。首先,利用电力系统仿真软件PSS/E进行数据生成;然后,使用PCC对电力系统运行特征进行相关性检测,进而选出关键特征;最后,对KELM模型进行训练。在实际应用时,当相量测量单元(Phasor Measurement Unit,PMU)所采集的电力系统实时运行信息被发送到训练好的KELM模型时,可立即提供暂态稳定分析结果。此外,设计了模型更新过程以应对电力系统运行条件的变化,并在新英格兰10机39节点系统验证了该方法的有效性。

基于神经网络的船舶稳性预报研究

为省略船舶稳性计算中横摇阻尼以及船舶阻力等参数的复杂计算过程,提出一种采用径向基函数(RBF)神经网络对第二代完整稳性失效概率预报的方法.研究包括过度加速度、瘫船稳性以及骑浪/横甩3种失效模式.通过研究船舶相关参数对各失效模式失效概率的影响,确定采用RBF神经网络对每种失效模式进行预报时输入特征的选取,从而降低训练时长.使用训练后的网络对样本船稳性进行预报,采用均方误差和平均绝对百分比误差对预报结果进行评估.对3种失效模式预报结果的平均绝对百分比误差分别为6.49%、7.09%、5.70%,均小于10%,表明采用RBF神经网络可较为精准地对船舶稳性进行预报.