基于Boost. Asio的智能车载终端数据采集系统

随着车联网与大数据技术的发展,车辆管理服务平台架构由传统的分散式、本地化,走向集中式、扁平化,平台端资源消耗越来越大,如何实现海量车载终端数据的高并发实时采集是一个亟待解决的问题。针对该问题,提出基于Boost.Asio网络通信库的解决方案。该方案以前后端分离的方式,将数据采集与数据解析分开实现,利用Boost.Asio的前摄器模式实现高并发的数据采集,利用Kafka消息队列提高系统可扩展性,并结合线程池及智能指针技术,对传统数据采集系统中数据量大、种类多带来的资源占用高问题进行了改进。实验结果表明,该系统在有大量连接的情况下,内存占用较少,连接稳定,数据无丢失,保证了数据采集的质量和可靠性。

基于IOCP的Boost.Asio的研究及在高清MCU中的应用

本文首先介绍了I/O完成端口的相关概念及工作机制,然后分析了Boost.Asio的Proactor设计模式,最后描述在高清MCU中使用Boost.Asio的关键步骤,并通过测试证明其可以满足高清MCU高性能要求。

基于Adaboost.MK和SM-SVDD的变压器故障诊断方法

为了解决变压器故障诊断过程中单分类器诊断精确度不足的问题,引入一种基于改进AdaBoost算法和二次映射支持向量描述的变压器故障诊断方法。该方法训练若干个多分类二次映射支持向量描述分类器,得到弱分类器,采用改进AdaBoost算法将这些弱分类器进行集成构成一个强分类器,并在迭代训练过程中通过改变训练样本的权重,使集成多分类模型聚焦于一些难以分类的样本,从而提高分类精度。

Boost.Regex——C++正则表达式快速入门

正则表达式如今在各种语言体系中都有广泛的应用,Boost.Rege×是 C++中最出色的正则表达式库。从本文中我们不光可以学习到正则表达式的使用,更能体会到泛型技术精妙所在。

H Boost.R算法及航空铝合金裂纹扩展预测

使用含有两孔及三孔的铝合金平板进行疲劳裂纹扩展试验并得到试验数据。将HBoost算法应用于回归问题,定义了回归形式的熵度量,得到了适用于回归问题的HBoost.R算法,建立了HBoost.R预测裂纹长度模型。此模型的均方根误差小于标准差,且采用五折交叉验证得分较高、结果平稳。结果表明,模型的预测效果较好,且在载荷形式相同的情况下,可以以两孔孔间裂纹规律预测三孔孔间裂纹规律。

基于Boost.Regex的网页信息抽取

正则表达式是一种用于字符串模式匹配和替换的强有力工具。介绍了在VC++中如何配置Boost.Regex,实现基于正则表达式网页信息抽取类CHtmlcodeIE,从而完成了网页信息高效抽取。

“Boost技术与应用”系列文章4 Boost.Tuple(上)——兼谈Loki.Tuple

所谓Tuple,用来将多个对象组合为单一对象,看似简单,但若以暴力法硬做,层次很低。本篇探讨了Loki对此主题的精巧作法。

“Boost技术与应用”系列文章2 Boost.Pool(下)

许多大型C++程序库都有自己的内存管理机制,包括MFC,STL, Loki都如此,Boost自然也不例外。本文概要说明前三者的实现,然后集中探讨Boost的实现与设计细节。

Boost应用与技术 系列文章6——Boost.Function

前文介绍了Boost.Hash,那是个"可广泛应用于多种类型、计算出对象之hash code"的functor。本期将介绍较一般functor更泛化的所谓Boost.Function。本期先给小菜一碟,只介绍Boost.Function的用法,后续再探讨它们的技术底层。本文示例许多灵感得自《Beyond the C++Standard Library》一书。

基于PSO-CNN-XGBoost水下柱形装药峰值超压预测

为探索水下柱形装药结构、爆距等参数与水下柱形装药峰值超压的关系,将装药样本数据视为二维数据,建立粒子群优化(Particle Swarm Optimization,PSO)算法、一维卷积神经网络(1D Convolutional Neural Network,1DCNN)和极端梯度提升(Extreme Gradient Boosting,XGBoost)的水下柱形装药峰值超压融合预测算法。采用相关性分析与数据可视化方法,分析装药结构参数、爆距与峰值超压之间的关联关系。设计1DCNN深度网络挖掘不同长径比、爆距等参数与峰值超压之间的纵向时序关系。运用XGBoost算法寻找装药结构参数、爆距与峰值超压之间的横向非线性关系,提升小样本数据的预测精度。使用PSO算法优化1DCNN和XGBoost的超参数,获得最优算法结构。研究结果表明,在包含10种智能算法的对比实验中,PSO-CNN-XGBoost水下柱形装药峰值超压预测算法在精度、稳定性、拟合程度上均高于其他模型。

基于新型CD单元的两相交错并联高增益Boost变换器

为减少基于电容-二极管(CD)升压单元的两相交错并联高增益Boost变换器的CD单元数量,提升变换器电压增益,提出一种最后两级CD单元电容并联充电、串联供电的新型两相交错Boost变换器拓扑结构,进一步发挥CD单元的升压能力。分析新型3CD、4CD两相交错并联Boost变换器的拓扑演化过程,提出新型NCD两相交错并联Boost变换器的拓扑演化规律。以新型4CD两相交错并联Boost变换器为例,分析变换器工作原理,以及电感、电容寄生电阻对变换器电压增益的影响。最后在StarSim硬件在环实验平台搭建1 kW的新型4CD单元交错并联Boost变换器,验证该文所提拓扑的正确性。

一种基于分数阶微积分的CCM Boost变换器准在线无源参数的数字孪生辨识方法

由于具有高性价比、准确性和数字化等优点,数字孪生已成为电力电子变换器故障趋势判断和预知维护的先进技术。针对当前电力电子变换器所建立的数字孪生模型尚未考虑实际电感、电容的分数阶特性的问题,基于分数阶微积分构建电力电子电路的预估-校正数字孪生模型,应用基于粒子群优化(particle swarm optimization,PSO)算法的孪生参数辨识方法对不同分数阶阶次下的电感值(L)和电容值(C)进行辨识,并计算出等效串联电阻。通过与现有方法对比,该方法不仅提高了实际电感和实际电容的辨识精度,还能辨识出不同阶次下与不同C下的分数阶参数。最后,搭建不同L和C及分数阶阶次的连续导通模式Boost变换器物理样机,并考虑不同工况条件与不同辨识次数等因素来进行实验验证。实验结果验证了所提模型与方法的有效性。

一种应用于两相交错Boost的耦合电感的优化设计

两相交错Boost变换器具有纹波电流小的优势,但其采用的交错并联技术增加了电感数量,进而增加了装置的体积和重量,不利于其功率密度的提升。耦合电感通过将多个磁性元件集成到一个磁芯实现磁路的部分共享,从而减小了磁元件的数量和重量。因此,设计了一种反向耦合电感,并将其应用于两相交错Boost变换器,实现了装置功率密度的提升。首先,对反向耦合电感的工作原理和损耗来源进行分析;然后,在此基础上设计了一种改进的“EE”型磁芯,一方面有效提高了磁芯利用率,另一方面降低了电感的体积与重量;最后,通过有限元仿真对所提优化设计方案进行验证,同时搭建了功率等级为2 kW的两相交错Boost变换器实验平台。仿真和实验结果均验证了所提优化设计方案的有效性。

分数阶Boost变换器的混沌控制研究

基于电容电感均为分数阶的事实,对分数阶连续导通模式Boost变换器的非线性动力学特性进行分析,提出了基于优化参数共振微扰法的分数阶Boost变换器混沌控制策略。首先,采用预估-校正算法建立了峰值电流控制分数阶Boost变换器的预估-校正模型,通过分岔图详细分析了电路参数对变换器非线性动力学特性的影响。然后,采用优化参数共振微扰法对变换器进行混沌控制,推导了系统的稳定判据,计算了扰动信号的最优幅值与相位。最后,在MATLAB/Simulink中进行仿真实验。研究表明,选择合理的扰动信号,能够有效抑制变换器的混沌现象,使变换器由混沌回归稳定状态。与参数共振微扰法相比,优化后的控制策略提高了系统的鲁棒性。仿真结果验证了所提策略的有效性。

基于CatBoost-NSGA-Ⅲ算法的盾构姿态预测与优化

为解决盾构掘进过程中因盾构前倾变形、蛇形、轴线偏离及纠偏等影响施工安全性与高效性的问题,提出一种将类别型特征梯度提升(CatBoost)与第三代非支配排序遗传算法(NSGA-Ⅲ)相结合的盾构姿态多目标优化方法;以贵阳地铁为例,选取22个影响因素作为输入参数,利用CatBoost算法建立输入参数与盾构姿态之间的非线性映射函数关系,采用随机森林(RF)算法评价输入参数的重要性;以盾构姿态绝对值最小化为目标,构建CatBoost-NSGA-Ⅲ多目标优化模型,并通过案例分析验证所提方法的适用性和有效性。结果表明:采用CatBoost算法训练工程实测数据得到的预测模型具有较高的精度,5个盾构姿态目标的R^(2)范围为0.916~0.943;所研发的CatBoost-NSGA-Ⅲ盾构姿态多目标优化方法,可使盾构姿态得到显著优化,整体改进的平均值为53.34%。

基于随机森林和XGBoost算法构建心脏骤停患者自主循环恢复后神经功能预后不良的风险预测模型

目的 利用机器学习算法构建预测心脏骤停(CA)患者自主循环恢复(ROSC)后神经功能预后不良的预测模型,探索结局相关因子。方法 回顾性收集2016年1月至2024年1月沧州市中心医院收治的CA行心肺复苏(CPR)后ROSC的患者481例为研究对象。收集患者临床资料,根据患者转出重症监护病房(ICU)时的格拉斯哥-匹兹堡脑功能表现分级(CPC)评分,将其分为预后良好组(GNO,n=158)和预后不良组(PNO,n=323)。481例患者按7∶3随机分为训练集(n=338)和测试集(n=143),训练集用于构建模型,测试集用评价模型效能。利用极端梯度提升(XGBoost)和随机森林(RF)两种机器学习算法构建患者神经功能预后不良的预测模型,分别得出影响患者神经功能预后的变量,应用SHAP进行XGBoost模型可解释性分析。将XGBoost和RF算法得出的变量取交集,再将交集变量进行多因素Logistic回归分析,得到差异有统计学意义的变量,进而构建决策树模型。在训练集和测试集上利用受试者工作特征(ROC)曲线和曲线下面积(AUC)评估决策树模型的预测性能。结果 通过XGBoost模型得到与神经功能预后不良相关的变量15个,RF模型得到与神经功能预后不良相关的变量14个,两种模型取交集得到11个与神经功能预后不良相关的交集变量[视神经鞘直径(ONSD)变化率、神经元特异性烯醇化酶(NSE)、入ICU第3天ONSD(ONSD day3)、心脏骤停至心肺复苏(CA-CPR)时间、ROSC时间、急性生理学与慢性健康状况评价Ⅱ(APACHEⅡ)评分、血肌酐、白蛋白、住ICU时间、血乳酸及年龄]。将这11个交集变量进行多因素Logistic回归分析,结果显示,PNO组与GNO组ONSD变化率、NSE、ONSD day3、ROSC时间及年龄这5个变量差异有统计学意义(P<0.05)。用这5个重要变量构建决策树模型,得出3个与患者神经功能预后不良最相关的变量(NSE、ROSC时间及ONSD变化率),在训练集上的决策树模型预测CA行CPR后ROSC患者神经功能预后不良的AUC为0.857(95%CI 0.809~0.903,P<0.001),在测试集上的AUC为0.834 (95%CI 0.761~0.906,P<0.001)。结论 基于XGBoost和RF这2种机器学习方法构建的决策树模型能够更准确地评估CA患者ROSC后神经功能的不良预后,且评价指标可能简化为NSE、ROSC时间及ONSD变化率。

一种基于贝叶斯优化和XGBoost的膏体流变参数预测模型

探究膏体充填料浆流变特性,对矿山合理布置充填管路,高效进行充填作业有重要意义。目的:将繁琐且影响因素众多的膏体流变参数测量试验与先进的机器学习回归预测模型相结合,实现膏体流变参数的准确预测。方法:利用不同物料配合比条件下共128组膏体流变特性试验数据作为模型数据集,选择极度梯度提升回归树(XGBoost)模型,结合贝叶斯算法(BO)对模型进行超参数寻优设置,建立了多目标参数回归预测模型。结果:研究结果表明:经贝叶斯算法优化后的BO-XGBoost模型较XGBoost模型性能显著提升,决定系数R^(2)提高6%。所构建BO-XGBoost模型真实值与预测值在屈服应力数据集上相对误差维持在0.02水平;黏度数据集维持在0.1水平。结论:BO-XGBoost模型可实现膏体流变参数的高效准确预测,创新性地使用了多目标回归模型,为矿山充填作业设计提供参考,具有一定实际工程应用意义。

基于能量模型的临界导通模式Boost变换器软开关方法

在变换器高频化发展的趋势中,功率器件的软开关实现对变换效率的影响更加突出。无辅助电路的临界导通工作模式下,Boost变换器主开关管在特定增益下无法实现软开关。为此,该文提出一种能量模型及相应的软开关实现方法。首先,建立死区前后储能元件能量变化的数学模型。然后,结合死区起止时刻的能量平衡方程,研究软开关无法实现的电路机理。在此基础上,考虑开关管输出电容非线性特征,提出软开关实现方法,避免了复杂谐振过程的时域精确建模,提高软开关实现的准确性。最后,搭建500W实验样机进行实验,结果表明,相较于对谐振过程建模的传统时域模型,所提方法将实际开通电压降低47%,使峰值变换效率提升0.4%,进而验证了其有效性。

引入负载扰动观测的Boost变换器定频滑模控制

针对传统线性控制方法下Boost变换器存在系统动态性能差和对负载扰动鲁棒性不强的问题,从功率平衡的角度提出1种定频滑模电流控制方法。首先,利用负载电流观测值计算维持输出电压稳定所需的输入功率;其次,通过控制电感电流调整变换器输入功率,从而将系统的状态轨迹限制在对负载扰动具有不变性的滑模面上,保证系统大信号稳定并提升其动态性能;最后,基于等效控制原理,通过PWM技术实现等效滑模控制,避免了传统滑模控制中存在的抖振及开关频率不稳定问题。在Simulink中对Boost变换器负载阶跃变换的工况进行仿真,将所提方法与传统线性控制方法对比。结果表明,采用所提方法,系统的动态性能更好,且能保证系统在负载大范围扰动下的大信号稳定。

基于预估-校正算法的分数阶Boost变换器倍周期分岔研究

基于电感电容本质是分数阶的事实,对分数阶Boost变换器的非线性动力学特性进行了深入研究。采用分数阶微积分的预估-校正算法,建立了Boost变换器的预估-校正模型,在此基础上得到了以参考电流、输入电压以及电容电感阶数为分岔参数的分岔图,研究了变换器的倍周期分岔和混沌行为,同时与整数阶Boost变换器的非线性动力学行为进行了比较。研究结果表明,在一定的工作条件下,随着变换器某些电路参数的变化,分数阶Boost变换器会出现分岔和混沌等非线性现象;在相同电路参数的条件下,整数阶和分数阶变换器的稳定参数域之间存在差异,与整数阶变换器相比,分数阶变换器的参数稳定区域更小,更真实地反映了Boost变换器的非线性动力学特性。