课程文献中心 更多>>

关键词： 受雇算法   劳动模型   实质性收益   实质性控制  

摘要： 算法与它们正在取代的人类员工有一个共同特性:它们同样具备造成伤害的能力。在通常情况下,公司应对算法损害负责,但现有的公司责任评估规则是在只有人类才能代表公司行为的时代产生的。这些规则应用于算法损害并不适当,甚至完全无法适用。一些公司已经发现了这一法律漏洞,并正在迅速实现业务功能自动化,以降低自身的责任风险。应该寻求一种能够让公司对其数字劳动力造成的损害承担责任的方法:在认定公司法律责任的情境下,某些算法应被视为公司员工。借鉴现有的雇佣关系功能性定位,应将“受雇算法”定义为公司对其进行实质性控制并从中获得实质性收益的算法。如果公司雇佣的算法造成了刑事或民事损害,公司应如同为人类员工造成的损害负责一样,对算法损害承担责任。原告和检察官可以利用现有的、以员工为中心的责任规则,在数字劳动力存在不当行为时追究公司责任。

关键词： 短视频营销   推荐算法   用户体验  

摘要： 短视频平台经过快速发展与提质创新后,进入了存量维系期,呈现用户规模增速放缓及行业竞争加剧等特征,促使企业在进行短视频营销时更加注重推荐算法的精确性和用户体验的优化。本文以短视频营销中的推荐算法为切入点,从技术、价值、流量、商业、文化方面分析短视频营销推荐算法的底层逻辑,并构建基于推荐算法的用户体验优化路径,进一步推动短视频营销的可持续发展。

关键词： 悬浮系统   振动抑制算法   扰动观测器   磁浮列车  

摘要： 磁浮列车经过轨道接缝、道岔等路段时,悬浮系统易产生振动,文章针对该问题对基于扰动观测器的悬浮系统振动抑制算法进行了研究。首先,综合考虑非线性相关因素,建立与悬浮系统名义模型等效的非线性悬浮电磁铁-轨道模型,并对其进行离散化插值计算得到离散化模型G_(nmd)及其逆模型G_(nmd)^(-1);然后,基于G_(nmd)^(-1)设计扰动观测器对振动扰动量进行观测,得到对应的控制补偿量并对控制量进行补偿,以消除振动扰动量的影响,实现对悬浮系统振动的抑制。通过仿真和单悬浮架试验平台对振动抑制算法的振动抑制效果进行试验验证,试验结果表明,该振动抑制算法可将悬浮间隙的振动范围分别降低约97%和76%,对振动的抑制效果较好。

关键词： 雷劈数   非平凡雷劈数   定理   算法  

摘要： 若正整数α,y,m,N适合N^(2)=(x十y)^(2)=10^(m)x十y,则称N^(2)为雷劈数.介绍了雷劈数相关的定理和算法,证明了非平凡雷劈数有无穷多个.同时给出了2

关键词： 励磁控制系统   蚁群算法   参数优化   电力系统  

摘要： 励磁控制器的参数设置会影响同步发电机输出机端电压的稳定性,传统的PID控制器存在整定困难的问题,因此采用蚁群算法来优化PID控制参数,以实现自适应调整。本文首先分析了同步发电机的数学模型以及励磁控制系统各个单元环节的组成,在Simulink平台中建立了其仿真模型。然后引入蚁群算法,并设计了优化PID控制参数的算法步骤。最后通过数字对比仿真,经过蚁群算法迭代计算后得到最优控制参数,使超调量和调节时间等指标大幅降低,且收敛速度更快。该方法还在在同步发电机实物中进行了测试,体现了所提方法的有效性。

关键词： 毫米波阵列天线   近场校准算法   平面波谱展开  

摘要： 随着无线通信技术的发展,人们对天线提出了高频、小型化、强定向性的要求,以支持未来更高的数据传输速率。由于毫米波芯片、多天线阵列中固有的通道幅度和相位差,使用过程中受温度特性、老化等因素影响,会产生附加幅度相位差。为消除通道间幅度相位差对波束控制的影响,本文提出一种基于平面波谱展开的近场校准算法。基于平面波谱理论构建待测阵列天线与探头之间的信号模型,通过该信号模型建立校准测量的虚拟信号,并将虚拟信号与实测信号作比较。通过遗传算法优化虚拟信号和实测信号的差别,当其达到最小值时,求解出毫米波阵列天线的初始激励。为验证该校准算法的有效性,文中对一个四单元的毫米波线阵进行了校准测量,其中探头扫描范围约为1/3阵列天线口径。所得幅度校准误差范围为±0.43 dB,相位校准误差范围为±4.6°,实现了高精度的校准。

关键词： Data Fusion   Deep charging   GA-BP algorithm   GEO satellite   high energy electron flux prediction   simulated annealing algorithm  

摘要： In order to improve the prediction efficiency of GEO electron flux greater than 2 MeV one day in advance, a data fusion algorithm based on simulated annealing algorithm and least Squares fitting was used to process GOES series satellite electron flux data. A genetic algorithm optimized BP neural network (GA-BP) model was established based on the fused data. The input parameters of the model include solar wind speed, geomagnetic index (including SYM/H, Ap, AU, AE, Dst), electron integral flux greater than 0. 6 MeV, and historical electron integral flux greater than 2 MeV. The time resolution of each Parameter is daily average;At the same time, using data from 1999 to 2007 as the training set, the GA-BP model after data fusion was used to predict the electron flux from 2008 to 2010, and the predicted results were compared with those of other classical models. The results showed that using simulated annealing algorithm to project satellite data located in the 75°W area to the 135°W area resulted in smaller data errors and better fusion effects;The prediction efficiency of electron flux greater than 2 MeV is 0. 863 one day in advance, and the highest prediction efficiency can reach 0. 931, which is better than the prediction accuracy of many previous models. © 2025 Chinese Academy of Space Technology. All rights reserved.

关键词： 共享近邻   局部密度   加权距离   类簇中心   聚类  

摘要： 密度峰值聚类算法DPC的样本局部密度定义随数据集规模大小不同而不同,样本局部密度受到截断距离dc影响,且其一步分配策略会带来样本分配的“多米诺骨牌效应”,严重影响聚类结果。提出基于加权共享近邻优化的密度峰值聚类算法(WSN-DPC)。该算法利用基于标准差加权的距离代替传统欧氏距离,强化样本不同特征对距离的贡献;利用共享近邻信息定义样本相似度,进而定义样本局部密度和相对距离,以尽可能体现数据集中样本的真实分布信息。同时,采用不同分配策略对离群点和非离群点依次进行分配,使得每个样本能够尽可能地分配到正确类簇。多个数据集的实验测试和统计性检验结果表明,WSN-DPC算法优于DPC及其改进算法,有效地解决了DPC算法的缺陷。

关键词： 谱聚类   密度调整   邻域标准差   自适应   密度峰值  

摘要： 针对谱聚类在尺度参数计算时需要人为设置近邻参数及聚类结果不稳定等问题,本文将初始类中心值和尺度参数作为决策变量,重点对谱聚类算法进行自适应优化与改进。首先,将样本邻域标准差的倒数作为度量样本局部密度的参数,与密度峰值思想相结合,设计了一种基于密度峰值的初始类中心决策值选择方法(initial class center decision value algorithm based on density peak,DP_KD),解决密度调整谱聚类中聚类结果不稳定的问题。其次,利用样本间的平均距离计算相应的邻域半径,并根据样本标准差自适应地求解每个样本的尺度参数,构造样本间的相似度矩阵,实现了近邻参数的自适应设置,解决尺度参数需要人为设置的问题。然后,基于优化后的初始类中心决策值和近邻参数方法,进一步调整高斯核函数,提出一种基于邻域标准差的密度调整谱聚类算法(density adjusted spectral clustering algorithm based on neighborhood standard deviation,DSSD),通过构建特征向量空间实现了密度谱聚类。最后,将提出的算法与其他聚类算法在多个数据集上进行了对比。结果表明,与其他谱聚类算法相比,本文提出的DSSD算法不仅具有更好的聚类效果,且聚类结果更加稳定,尤其是在类内密集且类间边缘明确的DIM512数据集中,DSSD算法可以正确地进行聚类分簇;在准确率、兰德系数和F-measure上较其他算法至少提升了0.0268、0.0136和0.0247,这表明DSSD算法不仅聚类效果较好且更适合大规模数据集的聚类分析。

关键词： 大坝安全监测   精度   时空序列聚类   K-Shape聚类方法   长短期记忆网络(LSTM)  

摘要： 为提升大坝安全预测过程中离群值检验与风险预测的精度与效率,对K-Shape聚类方法进行改进,将空间距离纳入K-Shape聚类评价指标,改进了大坝监测时间序列聚类算法,并将聚类中心线与统计模型方法结合,构建基于聚类结果的离群值判断方法。基于聚类结果,结合长短期记忆网络算法(LSTM)对离群值以及缺失值的填补,实现了对大坝工作性态趋势的预测。将该方法应用于云南某大坝的安全监测中,对大坝的位移与温度监测数据时空序列开展了检验与预测。结果表明,空间距离对于聚类结果影响明显,改进的聚类算法在异常值识别性能上相较于传统算法有一定提升,多测点预测算法精度更高,证明通过空间距离纳入聚类算法具有一定的实用价值。