基于数据驱动的机动目标跟踪

目标跟踪是进行目标精准打击的关键,特别是对于机动目标的精确跟踪可以提高对目标状态的估计精度,从而实现目标的精确打击任务。针对机动目标跟踪问题,基于神经网络理论,本文提出了基于数据驱动的机动目标跟踪算法。通过生成大量不同机动方式运动的飞行数据,建立目标机动的数据样本库,采用基于双向输入的深度神经网络,对大量不同的机动飞行数据进行训练,生成不同机动轨迹的模型,通过轨迹序列数据与不同机动模型匹配,实现对任意机动目标的运动轨迹预测,进而实现对机动目标的跟踪。仿真结果验证了基于数据驱动进行目标跟踪算法的有效性,提供了机动目标轨迹预测的新思路和新方法,提升了轨迹预测的时效和精度。

基于XGBoost算法的海上油田数据驱动软测量研究

海上油田数字化、智能化是发展的必然趋势,油气井多相流量软测量是智能油田建设的重要一环。为进一步研究数据驱动软测量模型对海上油田多相流计量的适用性和应用效果,基于某海上油田160余口井约16 000个历史生产数据,优选电潜泵功率、电潜泵前后差压、油嘴直径、油压等生产测量参数作为模型输入辅助变量,建立了基于极端梯度增强树(Extreme Gradient Boosting,XGBoost)算法的数据驱动软测量模型。训练后的模型对油田2 400个生产样本进行测试计量,结果表明模型对产油量、产气量和产水量的计量平均绝对百分比误差均≤6%。结论认为,基于XGBoost算法的数据驱动软测量模型对海上油田多相流计量的适用性和应用效果良好,可作为油田单井计量的解决方案之一,对智能油田建设具有借鉴意义。

从数据驱动到概念驱动:物理问题解决方式的重要转变

在物理问题解决研究中,认知加工方式是一个重要领域。基于此,通过分析认知加工理论的发展历程与实证研究,从而得出结论：物理习题解决属于数据驱动加工,而物理问题解决属于概念驱动加工。从数据驱动到概念驱动的转变,标志着物理问题解决认知方式的进化,这为物理问题解决研究的发展提供了有益的启示。

数据驱动的人体动画合成研究综述

系统地阐述了目前数据驱动的人体动画合成研究现状,介绍了国内外运动数据捕捉技术的发展,着重对现有运动捕捉数据的编辑技术及运动合成方法进行了详细的分析和比较,并阐述各种方法的优缺点,最后展望了数据驱动的人体动画合成技术未来研究的重点和难点。

语料库技术在高职日语行动导向教学中的应用

行动导向教学强调通过学生的自我实践或行动来培养和提高职业能力,基于语料库技术的数据驱动教学与行动导向教学有效地结合起来,可激发学生的学习兴趣,能够真正培养学生的专业能力、社会能力和方法能力。

数据驱动学习模式与大学英语词汇教学——一项基于语料库的实验研究

近几年,随着越来越多的英语学习者语料库的建立和语料库语言学在外语教学领域中的广泛应用,以语料库为基础的数据驱动学习模式受到了广大师生的欢迎。语料库,尤其是大型语料库的优点就是能最大限度地创设一种能让学生接触拥有足量语言实料的语言环境。在这个环境里,学生能根据巨大的语料库信息资源来有效地提高自己的英语敏感意识。学生不再接受填鸭式的死记硬背,而是以研究者、探索者的身份自主地、探究式地学习英语知识。词汇学习是大学英语学习中最基本的环节之一,把数据驱动理论运用到大学英语词汇教学领域必将是一次有益的尝试。

大数据人才分类培养研究

随着大数据技术在各行各业的应用不断加深,大数据人才短缺问题变得日益严峻。现有的大数据人才多是按照岗位类型或者人才类型来进行划分的,本文则从大数据人才工作的内容出发将大数据人才分为数据驱动型人才和数据操作型人才,并对两类人才的内涵进行界定。数据驱动型人才是指在传统岗位上利用数据来驱动业务;数据操作型人才主要是生产大数据产品的人。针对两类人才本文提出从社会机构培养、自我培养以及学校培养三种不同的培养方式来进行培养,为解决大数据人才的匮乏提供一条途径。

基于充电电压片段和核岭回归的锂离子电池SOH估计

电池健康状况的在线估计对于电池管理系统一直是一个非常重要的问题。近年来,由于其具有灵活性和无模型优势,基于数据驱动的方法在在线健康状态(state of health,SOH)估计领域展现出极大的潜力。文中针对现有的大部分基于数据驱动的SOH估计方法存在计算量大以及较难在BMS微控制器中实现等问题,提出一种采用片段充电曲线和核岭回归(kernel ridge regression,KRR)的锂离子电池SOH估计方法。KRR是一种基于核方法的非线性回归算法,通过将核技巧与岭回归结合,能够建立充电电压片段和SOH之间的非线性映射关系。在2个公开锂离子电池老化数据集上的实验表明,该方法只需采用实际电池使用工况中容易获得的充电电压片段,就能够实现快速准确的SOH估计,并且应用到现有的BMS微控制器中。

数据驱动的含IIDG配电网短路电流计算多输出模型

“双碳”目标下大量逆变型分布式电源(IIDG)接入配电网,使基于机理建模的配电网短路电流计算中,计算速度与准确性间的矛盾日益突出。数据驱动建模方法已被证实能有效解决两者间的矛盾,但采用单输出模型难以满足实际应用中要输出多个计算点的需求,容易产生模型数量问题。针对上述问题,提出了配电网短路电流多输出回归计算模型与计算方法。对问题转化与算法适应这2类多输出模型进行了分析对比,提出基于多目标回归模型融合方法、回归链方法等问题转化方法以及神经网络多输出方法,适合解决含IIDG配电网短路电流计算问题。分析了输入特征选择、性能评价指标、计算流程以及超参数寻优方法等关键问题。算例表明多输出模型能同时满足计算准确性和计算速度要求,性能强于单输出模型,且避免了模型数量问题。

基于数据驱动的锅炉主蒸汽温度预测控制

基于数据驱动控制(data driven control,DDC)理论,采用无模型自适应控制,并结合预测控制在线滚动优化、反馈校正的优点,设计了无模型自适应预测控制器(model free adaptive predictive control,MFAPC)。将上述控制器应用到锅炉主蒸汽温度串级控制系统,仿真结果表明,上述控制策略对大惯性、大迟延的主蒸汽温度过程控制效果良好,而且系统响应速度快、抗干扰性能强,对系统参数时变具有较好的鲁棒性。

基于数据驱动方式的NC代码自动生成

提出了一种数据驱动方式来代替传统的人机交互方式对制造模型进行处理,并自动生成NC代码。依次论述了数据驱动文件原理、实现的前提、表达规则、生成方式以及运行并生成NC代码。

知识驱动下数据融合的Petri网建模

针对数据融合中存在的数据表达能力不强、融合效率低的问题,提出采用知识驱动的Petri网进行数据融合建模.首先,对多传感器采集的数据进行信息处理,以此为基础,将知识通过产生式规则进行知识表示.然后,通过Petri网理论设计其映射模型和映射算法,建立Petri网的数据融合模型.最后,将该模型在搭建的自主追踪机器人实验平台上进行验证.结果实现了三种异类传感器的数据融合,使自主追踪机器人能较好的完成追踪过程,验证了该方法的正确性和适用性,可为多源信息的数据融合提供方法与模型支持.

基于大数据谱系的枪械质量数据管理及监测

将大数据技术应用在枪械质量管理领域,可以有效的整合枪械制造过程各阶段的质量数据资源,解决现阶段质量数据多而分散、数据结构层次不齐、数据资源难以应用的问题,并与设计、工艺、制造等装备的全生命周期串联在一起,实现枪械装备全寿命周期数据化管理。本文提出一种基于大数据谱系的枪械质量数据管理方法,能够满足枪械制造过程质量数据管理要求,结构化存储和监测结果实时展现的需求,并对历史数据多维钻取,实现枪械质量问题的精准溯源。

数据驱动在无线网卡加密自动化测试工具的应用

本文介绍了一个数据驱动的框架，并在VC＋＋6．0利用XML文件作为控制脚本，实现了一个简单的无线网卡加密部分自动化测试工具。测试人员只要修改相应的AP及DUT表就可产生新的测试用例，便于测试用例的产生和更新。

数据驱动的常态化设备健康状态评估服务模式

智能制造的发展催生了新的基于大数据与人工智能技术的设备运维服务模式,常态化设备健康状态评估是目前已经落地实施而且成效显著的服务。本文介绍这种服务的适应范围、技术特点、实施意义、服务模式、技术原理和应用案例。

燃料电池混合动力汽车深度强化学习能量管理优化

针对配备有锂电池与超级电容的燃料电池混合动力汽车,为降低车辆总体运行成本,延长能量源寿命,本文提出一种基于深度强化学习的能量管理策略.首先,依据超级电容高功率密度特性,建立基于模糊自适应滤波的功率分层结构,并依据燃料电池与锂电池的经验退化模型,建立能量源退化的成本函数,采用等效消耗最小策略平衡氢耗成本与能量源退化成本,以最小化总体运行成本为目标来优化能量源功率分配;然后,引入优先经验回放与软更新以提高深度强化学习的离线训练效率;最后,在多种工况下进行仿真,结果表明,与未考虑退化的策略相比,本文所提出策略在全球统一轻型车辆测试循环下可使氢耗量降低11.8%,并可有效减缓燃料电池与锂电池的退化速率,降低燃料电池混合动力汽车的总体运行成本.