基于动态组合赋权云模型的弧形钢闸门安全性评价

闸门的安全性评估是闸科学管理的关键环节。鉴于传统单一评估方法赋权存在的局限性,综合考虑闸门安装质量、启闭力、腐蚀程度等安全性评价指标,针对某些评价指标具有不确定性和模糊性的特点,引入动态组合赋权算法,重点考虑时间推移下弧形钢闸门各评价指标权重的变化,利用三标度法与熵值法得到组合权重,最终实现评价指标权重的主、客观与动静相结合,构建了基于动态组合赋权的弧形钢闸门安全性云评价模型。工程应用结果表明:所建立的评价模型不仅能定量且直观地反映弧形钢闸门安全性评价结果等级,而且能体现评价等级的时间推移规律,使得评价结果更符合实际情况,可以更好地反映钢闸门的运行情况。

“陶身体剧场”与“云门舞集”的身体训练法比较研究

通过对“陶身体剧场”与“云门舞集”的身体训练法进行比较研究,我们区分了舞者的“具身性”身体和“文化性”身体,也看到了中国博大精深的传统文化对舞者身体所产生的深刻烙印。“陶身体剧场”关注的是身体本身,其身体训练法寻求的是躯干、脊柱为主的“圆运动”。相对来说,“云门舞集”寻找的是文化烙印下的身体,一种寻根的身体,一个呈现传统文化属性的身体。两个舞团的身体训练法有内在联系性,又有各自的突破和发展,虽然呈现在舞台上的作品有差异,但演员的身体都走向了身体的“狂喜”和“宁静的觉知”状态。

A Numerical Study of Vortex and Precipitating Cloud Merging in Middle Latitudes

我们主要集中于云合并与旋涡合并联系了的猛抛的学习。合并的旋涡和猛抛的云被从 0000 21 ～ 1800 2003 年 7 月 23 日解决模型的云模仿。结果证明模型很好模仿与猛抛联系的循环遮蔽的旋涡。尽管旋涡显示出空间、时间的差别，合并的旋涡跟随合并的猛抛的云，这也被证明。Theconvection 涡度向量被介绍描述合并过程。二合并案例在 42-h 模拟期间被识别并且被学习。

融合Stacking框架的BiGRU-LGB云负载预测模型

随着云计算技术的飞速发展,越来越多的用户将应用部署在云平台上.。平台内集群资源的调度可以提高云平台数据中心的实际利用率,而高效的云平台负载预测是解决集群资源调度问题的关键技术,因此本文建立了一种融合Stacking框架、多层BiGRU网络和LightGBM算法的云负载预测模型。该模型的结构主要包括两种学习器:首先是初级学习器,使用时间编码层处理原始负载序列并利用BiGRU网络参数少、信息学习完整的特点减少模型训练时间和隐藏层数,学习负载序列中的时间维度信息;使用经过特征工程处理的原始负载序列来高效训练LightGBM算法,学习负载序列中的特征维度信息。然后是次级学习器,利用GRU网络整合时间和特征维度的负载信息,完成整个负载预测模型的训练。通过两层学习器的共同学习提高整体负载预测模型的预测精度。在华为云集群数据集上进行实验,结果表明,与传统的单一预测模型BiGRU、LightGBM等以及现有的组合预测模型GRU-LSTM相比,融合Stacking的BiGRU-LGB模型的预测精度提升约13%,训练时间开销得到一定程度的降低。

基于云-边协同变分自编码神经网络的设备故障检测方法

针对机电设备故障数据整体趋势和多阈值点实际应用,提出了一种基于云-边协同的变分自编码门控循环神经网络VAE-GRU的设备故障检测方法。构建了基于云-边协同的机电设备故障检测系统架构,终端设备层、边缘节点层、云中心层,云中心和边缘节点之间通过协同的方式对机电设备进行故障检测。设计了VAE-GRU模型,通过VAE编码器对输入数据进行采样,利用GRU捕捉时序数据的长期相关性。设计了动态阈值选择算法确定故障检测阈值,针对不同数据集可自动选择最优阈值,提高故障检测精度。实验结果表明,提出的基于云-边协同VAE-GRU设备故障检测方法提高了设备故障检测准确性,降低了处理时延,能保证机电设备稳定运行。

融合注意力门控机制的大场景点云语义分割

室外大场景激光点云语义分割已成为3D场景理解、环境感知的关键性技术,在自动驾驶、智能机器人和增强现实(AR)等领域应用广泛。然而大场景的激光点云具有多目标、几何结构复杂,不同地物尺度变化大等特点,使得在稀疏的小目标点云(例如行人、摩托车等)上的分割性能较低。针对上述问题,本文提出一种融合注意力门控机制的室外点云语义分割算法,设计由注意力机制和多尺度上下文特征融合组成的注意力门控单元,提高对激光点云细粒度特征的表达,降低随机降采样过程中点云几何结构特征丢失程度,从而增强了网络对弱小目标的特征获取能力;同时设计基于共享MLP的平均池化单元,进一步简化自注意力局部特征聚合模块,有效地加速网络收敛,能高效地实现大场景点云的语义分割。本文方法在自动驾驶场景室外激光点云数据集SemanticKITTI上的实验表明,与文献RandLA-Net相比,收敛速度提升48.3%,平均交并比(mIoU)由53.9%提升至54.5%,提高0.6%,尤其是在小目标上交并比(IoU)均有明显提高,person类和motorcycle类的交并比分别提高0.8%和5.4%。

激光点云线性KNN算法FPGA实现及加速

针对三维激光点云线性K最近邻(K-nearest neighbor, KNN)搜索耗时长的问题,提出了一种利用多处理器片上系统(multi-processor system on chip, MPSoC)现场可编程门阵列(field-programmable gate array,FPGA)实现三维激光点云KNN快速搜索的方法。首先给出了三维激光点云KNN算法的MPSoC FPGA实现框架;然后详细阐述了每个模块的设计思路及实现过程;最后利用MZU15A开发板和天眸16线旋转机械激光雷达搭建了测试平台,完成了三维激光点云KNN算法MPSoC FPGA加速的测试验证。实验结果表明:基于MPSoC FPGA实现的三维激光点云KNN算法能在保证邻近点搜索精度的情况下,减少邻近点搜索耗时。

基于多种强调机制的深度点云网络改进研究

机器视觉是机器人从复杂空间环境中识别工作对象的关键技术。在机器人系统中常用的Kinect深度相机或激光扫描传感器能够获取目标的三维信息,这使得机器人完成更加复杂的如组装、拆卸、抓取等工作任务成为可能。但是,这也对机器人系统处理三维信息的能力如三维定位、工作对象尺寸测量、估计等提出更高要求。以PointNet网络为基础,分析了软阈值挤压激励、通道门控、注意力等机制的主要特征强调机理,分别采用软阈值挤压激励、通道门控、注意力网络对PointNet网络进行改进,并在斯坦福大学公开的ShapeNet数据集上进行实验验证。结果表明,3种强调机制对原网络的改进,使三维点云的分割精度(均交并比)较PointNet原网络分别提高了0.24%,0.68%,0.93%。该改进方法为后续解决机器人在组装、拆卸、抓取等任务中对工作对象的尺寸精确估计奠定了基础。

大藤峡水利枢纽工程右岸厂房进水口闸门一期直埋施工技术

大藤峡水利枢纽右岸厂房进水口闸门种类多、工序繁杂、工期紧,为加快施工进度,一期混凝土浇筑前,完成门槽埋件的安装和调试,并直接将埋件埋在一期混凝土中,从而取消了进水口拦污栅、检修门、事故门门槽二期混凝土,既保证了施工质量,又大大缩短了施工工期。依据现场施工情况对技术方案进行优化,对结构和功能的进一步优化,使吊装、安装更加安全可靠。

基于量子云模型演化的最小属性约简增强算法

为提高决策表中最小属性约简的效率、稳定性和鲁棒性,基于云模型在非规范知识定性、定量表示及其相互转换过程中的优良特征对量子进化算法进行算子设计,提出了一种基于量子云模型演化的最小属性约简增强算法(QCMEARE).该算法采用量子基因云对进化种群进行编码,基于约简属性熵权逆向云进行量子旋转门自适应调整,使其在定性知识指导下能够自适应控制属性约简空间搜索范围,并采用量子云变异和云纠缠操作算子较好地避免了在属性演化约简中易陷入局部最优和早熟收敛等问题,使算法快速搜索到全局最优属性约简集.仿真实验表明,提出的最小属性约简增强算法具有收敛速度快、约简精度高和稳定性强等优点.

写在舞步里的诗意和文化梦想——论台湾作家林怀民及其“云门舞集”的艺术表达形式

林怀民创办的"云门舞集",引领了台湾现代舞蹈艺术的发展。"云门舞蹈"把中西舞蹈技艺、文学、音乐、美术、舞台设计、服饰艺术、中国书法和中华武术等多种艺术门类、创意文化和媒介融会贯通,将诗意情绪编入舞蹈,力图充分发挥艺术共通性,以富有诗意的艺术表现形式阐释和传达中华民族文化意涵。"艺术飞地"的踏勘和文化资源的开掘、"文字伤舞"与"舞近于诗"的悖论和张力则体现了其寻找艺术转型路径的努力及其民族文化梦想。

林怀民“云门舞集”的舞蹈“别现代”表现

林怀民“云门舞集”无论什么内容,都有自己的视角、理解和表现方式,其中最本质、最关键的红线就是根脉的关系、文化的延续。“云门”舞者训练有自己的体系:“中西杂糅式训练”。从动作维度看,林怀民以“移植”中国元素为手法,讲究动作所透露的中国文化的质感、韵味。从呼吸维度看,林怀民用呼吸推动舞蹈形态的变化,讲究舞者内在气息的运用。林怀民对音乐选择不是外在的符合,而是内在的契合。“云门舞集”舞美可以分为舞台舞美、实景舞美。“环境舞蹈”在演出形式与演出空间等方面都实现了创新突破,实现了剧场与非剧场的跨界。“云门舞集”的“别现代”特色为多种元素的交混性、多重方面的超越性、多种形态的张力性。

高性能计算的发展现状及趋势

地震勘探是高性能计算最重要的应用领域之一。本文通过跟踪国内外高性能计算机的发展动态,分析地球物理勘探领域对高性能计算的需求和应用现状,展望高性能计算的发展趋势,得出了以下结论和认识:高性能计算机今后发展趋势是向多核方向发展;②目前地震勘探对高性能计算的直接需求是叠前深度偏移、叠前反演和全波形反演,以及单点高密度勘探技术;③GPU技术具有广阔的应用前景,尤其是新建的CUDA架构完善了软件开发环境;④基于FPGAs(Field Programmable Gate Arrays,现场可编程门阵列)的可重构技术,既有硬件的计算性能,又有软件的灵活性,采用此项技术可以大大提高计算速度;⑤受功耗、传统集成电路技术等制约,单CPU性能提高有很大的局限性,开发新材料、完善计算机封装结构成为提高计算性能的新途径,光电二极管(APD)硅光子器件、内存+CPU的MCP封装结构,发展前景看好;⑥云计算(Cloud Computing)是在分布计算、并行计算、网格计算等基础上发展起来的一种全新的数据密集型超级计算模式,该技术将在海量数据的高性能计算方面有很好的应用前景;⑦计算性能的提高依赖于软硬件一体化整体发展,目前硬件技术发展日新月异,但软件开发及应用相对滞后,大力发展软件产业是解决以上问题的必由之路。

上帝视角下的《微尘》——观林怀民云门舞集现代舞团表演有感

林怀民创编、云门舞集现代舞团表演的舞蹈《微尘》,以弥漫于舞台的间浓间淡的烟雾喻示着不可预知的天灾人祸。绝望后的觉醒,一如食指般“相信未来”,方是人类的希望所在。相信“天助自助者”是以上帝视角俯视在无望中挣扎的“微尘”却并不绝望的意义所在。作为一个艺术家,林怀民无论在何种语境下,始终坚守艺术的自由和纯粹,保持了难能可贵的艺术想象力和创造力。以思想性和哲理性为追求的现代舞蹈家需要调和矛盾、适应观众,但观众同样需要被引导、被培养。林怀民创编的《白水》和《微尘》恰好代表了现代舞的两个向度的追求:纯粹的美的享受或追寻生命的意义和价值。

基于GRU-LSTM组合模型的云计算资源负载预测研究

日益增多的应用部署在云端使得云数据中心的功耗波动剧烈,从而导致云数据中心资源利用率不平衡,高效的负载预测是解决该问题的关键技术。针对目前负载预测模型预测精度低、预测时间长的问题,建立一种基于门控循环单元(GRU)与长短期记忆(LSTM)网络的组合预测模型GRU-LSTM。该模型的网络结构包括3层,第一层采用GRU,利用GRU参数少、易收敛的特点减少模型训练时间,第二、第三层采用LSTM,结合LSTM参数多的优势提高模型的预测精度。在此基础上,对数据集作缺失值处理和标准化处理,使用随机森林算法对原始序列进行特征选择后得到一组新的序列值,将该序列值作为GRU-LSTM组合预测模型的输入,以对云计算资源进行高效预测。在集群公开数据集Cluster-trace-v2018上进行实验,结果表明,与传统的单一预测模型ARIMA、LSTM、GRU以及现有的组合预测模型ARIMA-LSTM、Refined LSTM等相比,GRU-LSTM模型预测结果的均方误差减少6~9,预测时间平均缩短约10%。

西夏文《三观九门枢钥》考补

对俄藏西夏文Инв.№2551号中白云释子所撰文本重新进行释读与考释,认为其题目当译作《三观九门枢钥》,作者是白云祖师清觉。'三观九门'是对杜顺基于《华严经》三观、天台智者大师基于《法华经》三观、宗密基于《圆觉经》三观的高度概括。清觉在阐释它们之间关联的同时,所表明的主旨更倾向于宗密的圆觉三观,与宗密'直显心性'等观点相合。这一倾向进一步说明白云宗的教义乃'主述华严','圆通儒释道三教',并对当时江南盛极一时的宗密华严观法奉为圭臬。该本应该是在夏末元初译为西夏文,且是西夏裔僧人道安等来到杭州加入白云宗,延续了宋末苏浙一带白云大师这一法脉传承之后。

漫谈《十三声》,他不是林怀民

从自己的童年记忆出发,采用不同的舞台效果进行转换,通过舞者的灵魂在传统舞蹈与现代舞蹈之间进行辗转,《十三声》在郑宗龙的手下迸发出了时代的力量,同时也让我们看到了中国台湾那些古老的文化与现代文明的碰撞。正如对它的评价那样,“它不仅仅是土地庶民鲜明的色彩,更是与外来文化和现代撞击而燃出的新火花。”但是顶着云门舞集未来接班人的称号,伴随着《十三声》的成功,随之而来的是对于郑宗龙的质疑以及将其与林怀民的比较。作为云门舞集的创始人,林怀民代表的不仅仅是云门舞集这一称号,更多的是一种高度。但是随着《十三声》揭开帷幕缓缓地出现在人们的眼前,我们知道了作品是郑宗龙对于掌门接班人质疑最好的回应,我们知道了他是郑宗龙,他不是林怀民。

基于生成对抗网络与深度学习的少数据云资源预测

精确的云资源预测对计算平台实现安全运行具有十分重要的意义,针对新公司的云计算资源缺乏足够数据样本而造成预测模型精度降低的问题,提出一种基于WasserStein生成对抗网络(WasserStein generative adversarial network with gradient penalty,WGAN-GP)和双向门控循环单元网络(bidirectional gate recurrent unit,BiGRU)的少样本云计算资源预测模型。通过生成对抗网络去学习原始少样本数据的分布规律,以高斯噪声作为输入生成与原始数据具有相同分布的新样本数据,实现数据增强的行为;由于传统门控单元网络无法完全利用数据的时间信息,采用双向门控循环单元网络对数据的前向、反向时间信息进行双向提取并预测。以Google公开数据集进行仿真,对无增强数据和增强数据后的不同机器算法模型的预测结果进行对比。实验结果表明:使用WasserStein生成对抗网络数据增强后的双向门控循环单元网络模型精度的达到98.3%,所提方法适用于少样本数据的云计算资源预测。

基于FPGA的SPOE实践教学云平台的设计与实现

为了使SPOC教学模式能在对实践有较强要求的课程中得到推广,在对SPOE进行系统分析的基础上,以虚拟仿真、云计算和FPGA为切入点,从技术角度阐述了SPOE实践教学云平台所需的关键技术、平台架构、仿真模型及平台运行模式,设计并实现了基于FPGA和云计算技术、SPOE模式下的实践教学云平台,并将该实验教学平台应用到重庆理工大学相关课程实验教学中,取得了良好的效果。

基于直觉模糊层次法和云模型的水工钢闸门评估

对现役水工钢闸门安全状态评估时通常需要综合考虑多个方面评估指标的影响,这些指标中有定性指标和定量指标两类,对这些指标进行综合评估是一个充满不确定性和模糊性的问题。基于此,将直觉模糊层次法和云模型方法相结合来评估闸门的安全状态。首先,基于层次分析的思想,构建了水工钢闸门的评估指标体系,再依据直觉模糊的理论,邀请专家对每个评估指标进行比较,建立直觉模糊判断矩阵,综合分析并确定各项指标的权重。再采用云模型的方法,结合工程实例,建立各个指标的诊断云图,最终得到该闸门的诊断云图,并与状态云图进行比较,得出该闸门的安全状态,与实际情况相比较,该方法的结果是准确且直观的。