Entanglement of the Common Eigenvector of Two Particles‘ Center—of—Mass Coordinate and Mass—Weighted Relative Momentum

We reveal that the common eigenvector of two particles' center-of-mass coordinate and mass-weightedrelative momentum is an entangled state. Its Schmidt decomposition exhibits that the entanglement involves squeezingwhich depends on the ratio of two particles' masses. The corresponding entangling operators are derived.

中国新经济新动能的测度评价及动态分布特征研究

从新产业、新业态、新技术、新资本4个维度构建中国新经济新动能评价指标体系,利用熵权TOPSIS测度中国新经济新动能发展指数,并借助核密度估计、泰尔指数和收敛模型分析中国新经济新动能的综合发展水平、地区差异及收敛性。结果表明,中国新经济新动能整体呈稳步上升趋势,子系统呈现“新产业>新业态>新技术>新资本”的分布格局;三大区域新经济新动能差异显著,呈现“东部>中部>西部”的发展态势。从地区差异角度而言,中国新经济新动能发展非均衡性逐步凸显,但未发生两极分化现象;中国新经济新动能总体差异呈下降趋势,主要来源为地区间差异。从收敛性看,全国以及三大区域新经济新动能具有显著的σ收敛和绝对β收敛趋势;不同区域新经济新动能条件β收敛具有差异。

公转和自转协同下绕包机转速自动控制研究

绕包机公转和自转过程中可能会产生非线性影响,为了实现转速有效控制,该文提出一种公转和自转协同下绕包机转速自动控制方法。构建神经网络控制模型,将公转速度和自转速度作为输入,通过输出层输出控制规律;利用反向传播算法,通过调节网络权值和引入动量权值对神经网络模型进行改进,以此提升公转和自转协同控制效果;利用双馈定向矢量方法实施绕包机转速自动控制,在满足绕包机定子和转子对应电压矢量和磁链矢量条件的基础上,完成最终的转速自动控制。在不同实验条件下,所提方法对输入信号的实际跟踪效果较好,且不易受影响因素干扰。

基于ILSTM-AMSGD神经网络的时间序列预测方法

针对标准长短期记忆(long short-term memory,LSTM)神经网络的结构参数众多、训练过程耗时长问题,提出一种基于自适应动量随机梯度下降(adaptive momentum stochastic gradient descent,AMSGD)算法的改进型长短期记忆神经网络(ILSTM-AMSGD神经网络),并将其用于时间序列预测中。首先,通过简化结构方程中的递归项权值,减少网络中所需训练的参数。其次,设计一种AMSGD算法对神经网络结构参数进行学习。最后,通过2个基准数据集和1个实际数据集对ILSTM-AMSGD神经网络模型在时间序列预测中的准确性和运行效率进行实验验证。结果表明,递归项权值简化方法可以提高模型的泛化能力,同时AMSGD算法加快了模型的收敛速度。与其他模型相比,ILSTM-AMSGD神经网络模型实现了对时间序列更加高效、准确的预测。

基于SGDM优化IWOA-CNN的配电网工程造价控制研究

为了控制配电网工程项目的成本,需准确预测配电网工程造价,本文提出一种基于带动量因子的随机梯度下降(stochastic gradient descent with momentum factor, SGDM)优化的改进鲸鱼算法-卷积神经网络工程造价预测模型。首先,考虑回路数、杆塔数、导线、地形、地质、风速、覆冰、导线截面、混凝土杆、塔材、绝缘子(直线)、绝缘子(耐张)、基坑开方、基础钢材、底盘和水泥对配电网工程造价的影响,建立了非线性函数关系;采用SGDM优化器改进的卷积神经网络对函数进行逼近,并用贝叶斯方法优化卷积神经网络的超参数;利用改进的鲸鱼算法(improved whale optimization algorithm, IWOA)优化卷积神经网络,找出卷积神经网络的最优学习率。数值算例表明,新模型预测效果较好,并提出相应的控制策略。

基于权值动量的RBM加速学习算法研究

动量算法理论上可以加速受限玻尔兹曼机(Restricted Boltzmann machine,RBM)网络的训练速度.本文通过对现有动量算法进行仿真研究,发现现有动量算法在受限玻尔兹曼机网络训练中加速效果较差,且在训练后期逐渐失去了加速性能.针对以上问题,本文首先基于Gibbs采样收敛性定理对现有动量算法进行了理论分析,证明了现有动量算法的加速效果是以牺牲网络权值为代价的;然后,本文进一步对网络权值进行研究,发现网络权值中包含大量真实梯度的方向信息,这些方向信息可以用来对网络进行训练;基于此,本文提出了基于网络权值的权值动量算法,最后给出了仿真实验.实验结果表明,本文提出的动量算法具有更好的加速效果,并且在训练后期仍然能够保持较好的加速性能,可以很好地弥补现有动量算法的不足.

递归神经网络的设计与应用

结合实例,给出了递归神经网络的完整设计步骤,包括网络结构的选定,学习算法的选择和网络参数的训练过程。重点研究了学习速率的初始值选取及其调整顺序。给出的递归网络的设计方法,可以适用于多种递归神经网络。

PID神经网络改进研究

PID神经网络(PIDNN)是将神经网络和PID控制规律融为一体的新型前向神经元网络。对于多数系统,PIDNN可以利用已有PID控制规律的先验知识确定网络权重初值,使系统得到稳定快速的控制。当权重初值选择为随机数时,收敛速度变慢,同时可能陷入局部最小。针对这一类系统,提出附加动量项的改进算法,克服权重初值取随机数带来的问题。系统仿真结果证明改进后的PIDNN系统性能得到了明显改善。

量子门线路神经网络及其改进学习算法研究

量子门线路神经网络(QGCNN)是一种直接利用量子理论设计神经网络拓扑结构或训练算法的量子神经网络模型。动量更新是在神经网络的权值更新中加入动量,在改变权值向量的同时提供一个特定的惯量,从而避免权值向量在网络训练过程中持续振荡。在基本的量子门线路神经网络的学习算法中引入动量更新原理,提出了一种具有动量更新的量子门线路网络算法(QGCMA)。研究表明,QGCMA保持了网络100%的收敛率,同时,相对于基本算法,在具有相同学习速率的情况下,提高了网络的收敛速度。

基于改进LMS算法的复合材料超声检测缺陷识别

在径向基函数(RBF)神经网络实现无人机复合材料超声检测脱粘缺陷识别时,针对最小均方(LMS)算法在确定网络输出权值时存在稳态失调误差和收敛速度相矛盾的问题,提出一种改进的自适应的变步长LMS算法.该算法根据反馈误差自适应确定步长,通过引进动量项加快收敛速度.将改进LMS算法应用到RBF网络缺陷识别中,结果表明该方法在稳态失调误差较小的情况下,能快速确定RBF网络的权值.改进的RBF网络能够较好地识别超声检测脱粘缺陷.

中国产业高质量发展评价指标体系构建与实证研究

产业是经济之本,新时代下产业高质量发展是推进和实现经济高质量发展的关键。在理解和把握产业高质量发展基本内涵基础上,构建含有4个二级指标、15个三级指标和49个四级指标的产业高质量发展评价指标体系。基于客观赋权法对产业高质量发展评价指标进行熵权赋值,测度中国产业高质量发展水平及其变化,进而构建多元回归模型实证分析产业发展基础、产业发展新动能、产业发展绩效、产业发展绿色转型和产业结构高度化水平对产业高质量发展的影响。研究表明:中国产业高质量发展水平逐年提高;产业发展基础和产业发展新动能对产业高质量发展具有关键性和基础性作用,但产业发展绿色转型和高人力资本存量条件的作用却没有突显;二级评价指标和产业结构高度化对产业高质量发展具有显著性影响。

电力系统短期负荷预测组合NN模型的研究与应用

针对单一预测模型不能完全反映电力负荷的变化规律和信息的问题,构造了组合NN预测模型,该模型由基于附加动量算法的AM-NN子模型和基于拟牛顿算法的QN-NN子模型构成,通过时变综合权系数将两个模型融合在一起,将气象因素数据引入到模型中,采用滚动优化策略,使模型具有较好的泛化性和收敛性。通过对实际电网负荷的预测仿真和测试,证实所提出的组合NN预测模型能有效提高预测精度,平均绝对误差和最大相对误差分别达到了1.84%和5.77%,将其作为实际电网短期负荷预测软件的预测子模块,能满足实际的调度预测要求。

基于KPI和神经网络的作业车间绩效评价

对作业车间绩效评价问题,提出了一种基于KPI和神经网络的的绩效评价体系;建立了作业车间绩效评价体系(JOB-KPI),在此体系的基础上建立了基于BP神经网络算法绩效评价体系模型。该神经网络模型采用logsig函数为传递函数,引入了动量因子,使得权值修正具有一定的惯性,加快了整个网络的收敛速度。仿真结果表明,绩效评价模型能够对离散车间绩效做出有效的评估和预测,可以为企业的决策者提供参考。

几种盲均衡算法的比较及仿真研究

以新兴的盲均衡技术为理论基础,一些盲均衡算法相继提出。本文以高阶的QAM信号作为输入信号,针对常模算法、多模算法、加权多模算法存在的缺陷,最终引入一种性能优越的加入动量项的加权多模算法。通过计算机的仿真实验首次对这些算法进行依次比较,所得实验结果表明加入动量项的加权多模盲均衡算法在信道均衡上的性能明显优于前面几种算法,它具有更快的收敛速度和更小的稳态误差,因此具有实用价值。

从动量流的角度谈重力的定义

重力是一个非常重要的物理概念，围绕重力概念存在分歧．力是牛顿时代建立的抽象概念，重力是体现万有引力作用效果的一种效果力，这种抽象的虚拟力概念不利于学生掌握．力也可以看成是动量流强度，文献[11]从动量流视觉定义了重力，这是应该肯定的．但该定义也存在一些问题，对此进行辨析，并用动量流概念重新定义重力，通过对相关问题的解释说明重力新定义的合理性和有效性．

基于异常行为数据流的加权铰链分类算法研究

为了能够快速检测、识别异常行为数据流,并对异常行为数据流的内容准确定位,通过研究决策树算法、逻辑回归算法、神经网络算法、铰链分类等深度学习算法的基础上,文章提出基于指数加权和动量的小批量梯度下降铰链分类算法。该算法在铰链分类算法的基础上增加指数权值方法和动量梯度下降方法,指数加权方法可以实现对损失函数下滑速度的加快,即对异常行为数据流快速定位和识别;动量梯度下降方法可以实现对损失函数结果值进行动态偏差校正。通过该算法可以实现对异常行为数据流内容准确定位及快速识别,解决异常行为数据流内容识别的误报率和漏报率较高的问题,保障数据的安全性和完整性。通过仿真实验,利用计划长度比(schedule length ratio,SLR)、下降速度等指标分别验证,表明该算法的性能和收敛速度等方面都略高于其他铰链分类算法。

流动沙漏视重变化的定量研究

研究沙漏在流动过程中视重随时间变化的问题.理论方面,从动量角度入手分析,得出视重变化量正比于动量柱(颗粒流动的区域)纵向长度的变化率,比例系数为质量流量,所得物理图像清晰,并且给出了视重随时间变化的解析式.实验方面,利用PASCO系统搭建了称量平台,巧妙地实现了视重的精密数字化测量(采样率250 Hz).实验还采用了烧断引线的方式来启动沙漏以减小误差.理论与实验较好符合,并在不同的颗粒装填量下体现出普适性.

非光滑强凸情形Adam型算法的最优收敛速率

对于非光滑强凸问题,在线梯度下降(Online Gradient Decent,OGD)取适当步长参数可以得到对数阶后悔界.然而,这并不能使一阶随机优化算法达到最优收敛速率.为解决这一问题,研究者通常采取两种方案:其一是改进算法本身,另一种是修改算法输出方式.典型的Adam(Adaptive moment estimation)型算法SAdam(Strongly convex Adaptive moment esti⁃mation)采用了改进算法的方式,并添加了自适应步长策略和动量技巧,虽然得到更好的数据依赖的后悔界,但在随机情形仍然达不到最优.针对这个问题,本文改用加权平均的算法输出方式,并且重新设计与以往算法同阶的步长超参数,提出了一种名为WSAdam(Weighted average Strongly convex Adaptive moment estimation)的Adam型算法.证明了WSAdam达到了非光滑强凸问题的最优收敛速率.经过Reddi问题的测试和在非光滑强凸函数优化中的实验,验证了所提方法的有效性.

基于差分进化算法的电力变压器故障监测方法

为保障电力系统安全运行,提出基于差分进化算法的电力变压器故障监测方法,通过电力变压器故障特征的深度挖掘,提高其监测准确度。基于卷积神经网络(CNN)的变压器故障监测原理,将新的卷积层添加在CNN的池化层与全连接层之间,构建改进CNN,利用带有动量因子的随机梯度下降算法,加速训练改进CNN电力变压器故障监测模型,改进CNN速度,减轻收敛时产生的振动,获得精准分类结果;并利用差分进化算法优化改进CNN的权值及阈值,提高改进CNN的收敛速度,实现电力变压器故障精准监测。实验表明,该方法可深度挖掘电力变压器故障类型特征;收敛速度快、收敛准确度高;监测电力变压器故障效果好,准确度高。

基于BP神经网络的电网故障诊断研究

针对在电网故障诊断过程中BP神经网络存在学习效率不高的局限,提出一种基于动量系数收敛和自适应学习系数调整的BP神经网络。该神经网络在误差反向传递阶段通过引入动量系数对连接权值的收敛进行优化,同时采用自适应学习系数调整的算法,在保证算法输出的误差精度的基础上有效提升了学习速度。通过实例验证表明,该算法能在保持输出误差精度和计算过程稳定性的前提下,使学习时间减少约45%。