管道腐蚀深度预测的优化灰色GM(1,1)模型建立及应用

管道腐蚀深度是腐蚀行为研究的重要内容,准确预测管道腐蚀深度变化规律对于保障管道的安全运行意义重大。针对传统GM(1,1)模型背景值计算方法的不足,提出了一种基于二次多项式变换结合背景值优化的改进灰色模型,通过实例对比分析了改进模型和传统模型预测精度的差异。结果表明:当建模样本数为7时,传统模型、改进模型一(采用二次多项式变换方法所建模型)、改进模型二(采用二次多项式变换结合背景值优化方法所建模型)预测所得的平均相对误差分别为5.33%、4.00%和3.731%,因此改进模型二的预测精度高于改进模型一和传统灰色模型;当建模样本数分别为8和9时,改进模型二的预测精度仍最高,因此采用的背景值优化方法有助于提升改进模型一的预测精度;改进模型用于预测管道腐蚀深度完全可行,且所用方法具有计算简单、精度高的优点。

基于双拟合优化的聚焦深度三维形貌测量方法

聚焦深度法广泛地应用于小尺寸零构件的三维形貌测量。针对聚焦评价曲线多存在噪声导致三维形貌测量的精度下降,且效率受图像序列数目和聚焦评价算法限制的难题,通过结合双拟合优化理论与聚焦单峰性评价指标提出了一种基于自适应权重的聚焦极值搜寻方法,并进一步基于三次多项式二次插值算法和多级中值混合滤波优化深度信息。实验结果表明,方法对仿真图像数据的均方根误差(RMSE)较高斯拟合和多项式拟合分别降低了19.08%、17.32%,对球栅阵列封装(BGA)图像中受噪声干扰较大的区域仍具三维分辨能力,同时对钻削刀具进行了测量,提出的方法在50%的图像序列数目和图像分辨下RMSE仍降低了77.8%、62.6%,有效减少了聚焦曲线噪声对测量结果影响的同时提升了三维测量的效率。

电动汽车充电控制的深度增强学习优化方法

随着用电信息采集系统的广泛推广,数据驱动的机器学习方法在电力系统优化运行领域的应用已引起广泛关注。该文基于电网在线运行状态数据采集,采用竞争深度 Q 网络(dueling deep Q network,DDQN)结构的深度增强学习方法开展电动汽车充电控制优化。首先选取观测状态与执行动作,定义状态动作估值函数,其次针对动作和状态维度上的绝对数值相差过大的问题,采用 DDQN 的 Q 函数,引入ε-greedy 策略、记忆存储单元以及批量梯度下降法进行神经网络的分层学习,然后基于 DDQN 训练后的神经网络,开展电动汽车充电控制的深度增强学习优化。最后,结合IEEE33 节点扩展算例说明所提电动汽车充电控制优化方法在满足各类用户出行的充电需求条件下,实现合理消纳可再生能源发电。

聚焦核心素养 优化课堂教学--谈二元函数的最值问题的解法

本文通过一道典型的条件型最值问题出发,多角度探求问题的解决思路,通过问题的解决与延伸来阐述如何在课堂教学中教会学生数学思维的方法,向学生展现思维的路径,引领学生学会深度学习,落实核心素养.

面向航天光学遥感场景压缩感知测量值的舰船检测

基于压缩感知的航天光学遥感成像系统可以在采样阶段通过硬件同时完成采样和压缩。在面临舰船检测任务时,系统需要重建原始场景,CS的场景重建过程计算量大、内存要求高且耗时。本文提出了直接对成像系统测量值进行舰船检测的算法——基于压缩感知和改进YOLO的测量值舰船检测算法。为了模拟成像系统的分块压缩采样过程,利用步长和卷积核尺寸相等的卷积测量层对场景进行卷积运算,将高维图像信号投影到低维空间得到全图CS测量值。得到场景的测量值后,测量值舰船检测网络从测量值中提取舰船的位置信息。在主干网络中导入SENet模块,利用改进后的主干网络来提取测量值的舰船特征信息;利用特征金字塔网络强化特征提取的同时融合浅层、中层和高层的特征信息,进而完成舰船的位置信息预测。其中,CS-IM-YOLO将卷积测量层和CS测量值舰船检测网络连接起来端对端训练,大大简化了算法的预处理过程。通过数据集HRSC2016评测算法性能,实验结果表明:CS-IM-YOLO对于SORS场景CS测量值舰船检测的检测精度为91.60%,召回率为87.59%,F1值为0.90,和AP值为94.13%。这充分表明该算法可以对SORS场景的CS测量值进行高质量的舰船检测。

基于深度确定性策略梯度的粒子群算法

在传统的粒子群优化算法(PSO)中,所有粒子都遵循最初设定的一些参数进行自我探索,这种方案容易导致过早成熟,且易被困于局部最优点。针对以上问题,该文提出了一种基于深度确定性策略梯度的粒子群优化算法(DDPGPSO),通过构造神经网络分别实现了动作函数和动作价值函数,且利用神经网络可以动态地生成算法运行所需要的参数,降低了人工配置算法的难度。实验表明DDPGPSO相比9种同类算法在收敛速度和寻优精度上均有较大的提升。

组合优化问题的一种精确求解方法

本文分析了深度优先搜索方法 (DFS)和广度优先搜索 (BFS)方法的特点 ,提出了一种混合使用动态规划方法和下界 (上界 )算法的精确求解方法求解组合优化问题。实验结果表明 ,下界 (上界 )非常接近问题的最优值时 。

考虑冷热电互补及储能系统的多园区综合能源系统协调优化调度

新能源出力和用户负荷的随机性使得综合能源系统的优化调度问题充满挑战,本工作提出一种考虑冷热电互补及储能系统的多园区综合能源协调优化调度方法。首先,引入虚拟电厂技术,将综合能源系统内部资源聚合,考虑园区内的能量储存装置以及园区间的能量传输装置,构建虚拟电厂框架下的多园区综合能源系统结构;其次,建立热电联供单元、储能系统、冷热管道等内部资源模型,以最大化系统收益为目标,建立多虚拟电厂综合能源系统协调调度模型;最后,构建深度强化学习框架,再将Q值迁移方法引入到深度强化学习算法中,基于改进的深度确定性策略梯度算法进行连续状态和动作空间下的优化调度决策。通过算例分析,验证了所提方法的有效性,结果表明基于改进算法的多园区综合能源系统协调优化调度能够有效实现资源的合理分配以及各个园区间的供能互补,降低了系统运行成本。

基于“大数据+AI”技术的智能化燃气电站无人值守能力体系规划与探索

打造基于“大数据+AI”技术的智能化燃气电站无人值守能力体系,对于提高燃气蒸汽联合循环发电生产的经济性和安全性,实现机组安全、节能、环保、经济运行具有重要意义。

靛蓝染色增深体系的优化和对比

固定靛蓝染料用量，以保险粉、烧碱和增深剂DK为影响因子，采用中心复合试验法设计染色母液，母液稀释后对织物进行染色，以颜色深度K／S值评价各因素的影响，并对体系进行优化。结果表明，增深剂DK可使织物染色深度提升30％，保险粉、烧碱和增深剂对织物染色深度的影响显著。染色母液体系的优化配方为：靛蓝75g／L、保险粉108g／L、烧碱50g／L、增深剂43g／L。加入相当于靛蓝染料40％的增深剂，可减少20％靛蓝和保险粉，

基于双目立体相机的室外场景三维重建系统设计

三维重建是图像处理、计算机视觉、计算机图形学的一个重要研究领域,双目视觉通过模拟人眼处理景物的方式可以获取目标物体的三维信息,具有非接触、速度快、精度高、自动化程度好等诸多优点,可以大大提高工业生产效率,已经成为人们研究的热点;在传统的基于双目立体视觉的三维重建系统基础上进行了方法和算法的改进与创新,并根据具体应用场合拓展了系统功能;硬件选用Stereolabs公司的二代ZED双目立体相机套件,配合该套件提供的软件开发工具包(ZED SDK),使用NVIDIA推出的通用并行计算架构CUDA,很大程度上优化了三维重建的运行效率;针对立体匹配过程噪声及原有视图引入误差等问题,利用插值法和数学形态学平滑方法进行处理,引入了视差图修复与细化环节;采用更为合理的特征点提取方法,优化了深度值计算环节;在实验室环境下,对整体系统进行了性能测试,结果表明,算法稳定高效,系统重建效果好,性价比高。

基于公共交通乘车查询系统的数学模型及实现方法

根据北京公交站点分布情况,建立了解决公交拥挤的数学模型,并通过算法和程序化运算,解决了任意两站点间最佳线路的查询问题。在邻接矩阵相乘的过程中,剔除了与现实生活中不相符合的数据,对邻接矩阵中的行和列进行了选择,同时假设出公汽交通阻抗值,从而有效地降低了算法复杂度,并通过对深度优先遍历递归算法的进一步优化再次降低了算法的复杂度。

基于kinect的改进RGB-D视觉里程计

针对RGB-D视觉里程计中kinect相机所捕获的图像深度区域缺失的问题,提出了一种基于PnP(perspective-n-point)和ICP(iterative closest point)的融合优化算法。传统ICP算法迭代相机位姿时由于深度缺失,经常出现特征点丢失导致算法无法收敛或误差过大。本算法通过对特征点的深度值判定,建立BA优化模型,并利用g2o求解器进行特征点与相机位姿的优化。实验证明了该方法的有效性,提高了相机位姿估计的精度及算法的收敛成功率,从而提高了RGB-D视觉里程计的精确性和鲁棒性。

基于边缘特征的双目视觉室外地图构建方法研究

针对基于双目深度图的室外大规模地图构建计算冗长,而在无人系统的有限算力下,计算效率需求显著的情况,文中提出一种基于双目视觉立体匹配的三维地图构建方法。首先针对由立体匹配算法及原图引入的噪声误差等问题,采用双线性插值优化视差图;其次通过中值滤波以平滑视差图;最后利用Sobel算子实现对环境物体边缘特征点的提取,并二值化边缘特征图,优化深度值计算环节,在一定程度上提高地图构建的效率。实验结果表明,通过对KITTI数据集的地图构建,可得到的良好八叉树地图,效率提高了50%,证明了文中算法的可行性与有效性,能够满足无人系统在室外路径探索对三维地图的需求。

基于DQN的多类型拦截装备复合式反无人机任务分配方法

针对当前反无人系统无法有效压制无人机的问题,使用多种拦截装备构建一种新的反无人机方法.传统多目标优化算法无法解决动态的任务分配问题,对此,提出一种基于深度Q网络(DQN)的多类型拦截装备复合式反无人机任务分配模型. DQN模块对任务分配问题进行初期决策.为了提高算法收敛速度和学习效率,该方法未采用下一时刻的状态来预测Q值,而是采用当前时刻的状态来预测Q值,消除训练过程中Q值过估计的影响.之后采用进化算法对决策结果进行优化,输出多个拦截方案.以国内某机场跑道周围区域开阔地为防护对象,构建反无人机系统的任务分配仿真环境,仿真结果验证了所提出方法的有效性.同时,将DQN与Double DQN方法相比,所提出改进DQN算法训练的智能体表现更为精确,并且算法的收敛性和所求解的表现更为优异.所提出方法为反无人机问题提供了新的思路.