课程文献中心 更多>>

关键词： 矢量共形阵列:   张量:   离网格优化:   变分稀疏贝叶斯学习  

摘要： 稀疏重构算法划分网格数目直接决定计算复杂度大小，且其在低信噪比和小快拍下的离网格参数估计性能仍无法满足实际精度需求。为解决上述问题，提出了一种基于张量的矢量共形阵列（Vector Conformal Arrays， VCA）离网格优化参数估计算法。首先，利用信号空域稀疏特性，基于VCA建立二维稀疏离网格张量接收信号模型；然后，为进一步促进解的稀疏性，提出一种三阶分层先验贝叶斯模型，利用张量变分稀疏贝叶斯学习算法得到波达角度（Direction of Arrival， DOA）估计值。在DOA估计过程中，提出一种离网格优化思想，大大降低运算复杂度提升算法效率。最后，利用最小特征向量方法得到信源极化参数估计。仿真结果表明，与未采用离网格优化的算法相比，所提算法的计算复杂度提升约30.8%；同时，在信噪比小于0dB和快拍小于150的条件下，所提算法的参数估计精度和角度分辨概率分别提升约35.7%和54.4%。

关键词： 关联规则   Apriori算法   三元组   质量检测   纺织品  

摘要： 为解决纺织品质检不合格数据在进行关联规则挖掘时计算时间较长的问题，对传统Apriori算法进行优化，提出了一种基于三元组的数据挖掘方法——T-Apriori算法。该算法的核心思想在于通过将数据的布尔矩阵压缩存储为三元组形式，从而有效减少存储空间并提升计算效率。针对支持度的确定，还提出了一种更为客观的方法，即通过分析候选1项集频数区间对应的候选1项集个数的变化趋势来调整支持度阈值，以更好地适应数据特性。结果表明:T-Apriori算法在与传统Apriori算法及其优化版本C-Apriori算法的比较中，表现出显著的性能提升，其运行时间仅为传统Apriori算法的40%。尤其在数据量较大且支持度较低的情况下，T-Apriori算法的时间下降幅度更为显著，证明其在大数据量和低支持度环境下具有更为优异的处理性能。通过采用T-Apriori算法，纺织品质检数据的分析效率得到了极大提高，为质量监管和决策支持提供了更加高效的数据分析工具，具有重要的实际应用价值。

关键词： 大模型   存储系统   数据管理   存储扩容   数据容错  

摘要： 大模型在文本与视觉处理等复杂业务中表现优异，受到工业界和学术界的广泛关注。大模型训练与推理阶段高度依赖GPU的算力，然而，GPU显存容量有限且属于易失性存储介质，难以满足大模型在训推过程中的存储需求。从大模型时代下的数据管理、存储扩容和数据容错三方面，详细阐述了大模型时代下存储系统面临的挑战，并总结了现有的解决方案。最后，展望了未来大模型时代下的存储系统若干发展趋势。

关键词： 信息茧房   智能算法推荐   突破意愿   CAC理论   矛盾态度  

摘要： [目的/意义] 探究人工智能算法推荐下，短视频用户信息茧房突破意愿的影响因素和内在机理，为平台助力用户突破信息茧房提供对策建议。[方法/过程] 基于“感知—情感—行为意愿”（CAC）理论框架和矛盾态度理论，构建用户信息茧房突破意愿影响因素模型。通过问卷调查与偏最小二乘结构方程模型进行实证分析，并利用多群组分析探究短视频内容类型的差异化影响。[结果/结论] 感知控制可以通过提高心流体验和减少心理抗拒，降低信息茧房突破意愿。感知信息同质产生矛盾的情感体验，既降低又增加突破意愿。感知信息过载加重心理抗拒，促进突破意愿。享乐型和实用型视频下，用户的情感体验和突破意愿存在显著差异。

关键词： 巨龙铜钼矿   隐式建模   机器学习   成矿预测  

摘要： 三维成矿预测打破了传统二维预测图件的限制，可以将地学信息在真三维空间中直观的表达出来，因此受到人们越来越多的关注。三维地质建模和成矿预测方法是三维成矿预测过程中非常重要的步骤，但是随着地质数据采集方式的多样化，地质数据来源的多样性，地质数据也逐渐具备了大数据的特征，传统的显式建模方式和成矿有利信息提取方法受到了诸多限制，主要体现在不能有效的对三维模型进行实时更新和对大量地质勘查数据的分析与处理。为了提出针对该类问题的一种有效解决方案，笔者选择西藏巨龙超大型斑岩铜钼矿床为研究对象，利用隐式建模方法构建矿区三维地质–地球化学模型，并通过机器学习算法对成矿有利信息进行提取、分析，最后对潜在的有利成矿空间进行预测。建模结果表明，隐式建模方法可以通过插值函数获得整个空间的地质体数据，三维地质体曲面重建算法可以对地质体数据进行三维建模与可视化，自动生成三维可视化模型。隐式建模大大降低了显示建模中人机交互圈定地质界线的繁琐过程，可以实现三维模型的快速动态更新，而且隐式建模在更大程度上能够精确反应地下深部地质体的空间分布特征。成矿预测主要基于三维地质–地球化学模型提取深部有利成矿信息，构建训练集和测试集，利用有监督的机器学习模型（逻辑回归模型、支持向量机模型、人工神经网络模型、随机森林模型）进行训练。训练后的模型对测试集进行预测，并将预测结果绘制成ROC曲线进行预测结果评估。评估结果显示，4个不同预测模型的AUC值都大于0.6，说明所训练的模型预测精度是优于随机过程的，其中随机森林算法的AUC值最大（0.97），模型预测效果最优。本文选择随机森林模型对矿床深部进行预测，圈定了2个找矿靶区。经过钻探验证，靶区B潜在资源与预测结果相符，证实了该方法具有一定的科学性与可行性。

关键词： 多类型任务成像调度   深度强化学习   自适应大邻域搜索算法   广义观测收益函数  

摘要： 面对日益增长的卫星数量和多样化的任务需求,在轨成像卫星群任务调度的难度不断提升.现有方法大多针对小规模或单一类型的卫星和任务,难以适应大规模卫星资源下多类型任务的协同调度需求.针对上述问题,本文提出了一种综合考虑多类型任务的成像卫星群调度模型与算法.在模型构建方面,本文设计了广义观测收益函数,该函数能够统一评估包括普通点目标、周期性点目标和区域目标在内的不同任务类型的收益.同时,模型还考虑了卫星资源的限制和任务的特定要求,以确保生成的调度方案合理高效.在算法设计方面,提出一种深度强化自适应大邻域搜索算法(An Adaptive Large Neighborhood Search Algorithm based Deep Reinforcement Learning, DRL-ALNS).该算法利用深度强化学习的自主学习能力,在自适应大邻域搜索框架中智能地进行算子选择和参数配置,从而有效应对大规模搜索空间的挑战.为了验证本文提出的方法的有效性,将其与多种对比算法进行了实验.结果表明, DRL-ALNS在任务收益值上平均提升了7.6%,证明了其在解决多类型任务成像卫星群调度问题中的有效性和优越性.

关键词： 生产调度   红狐算法   多目标   混合算法  

摘要： 针对商用车车架制造商中纵梁以及总装的生产工艺的多样性和生产调度的复杂性，以最小化最大完工时间、物料积压程度和耗电量为优化目标，提出了一个NSGA-II和红狐算法的混合算法（hybrid algorithm of non-dominant sorting genetic algorithm and red fox algorithm， HNSGA2RFA），用于解决多目标的柔性流水车间调度问题。通过ROV规则实现GA和RFA的编码转换，并提出了归一化分组策略（normalized grouping）。实验结果表明，HNSGA2RFA算法在优化速度和最优解集数量上均优于原NSGA-II算法。

关键词： 机械臂   时间最优   变异策略   轨迹优化   多项式插值  

摘要： 针对中、重型机械臂工程应用中关节冲击大、运行时间长等问题导致的机械臂工作效率低，以逆运动学理论、多项式插值等为基础，提出一种基于变异策略粒子群算法的机械臂轨迹优化方法，在基本粒子群算法迭代中引入种群变异环节，并对惯性权重等参数进行自适应调整，提高算法收敛速度和精度。文章以最短运行时间为适应度函数，研究不同位置工况下，PUMA560机械臂在“5-5-5”关节空间轨迹模型控制下6关节的角速度、角加速度变化规律；基于变异策略粒子群算法，研究不同位置工况下角速度在-π～πrad/s内机械臂最短运行时间变化规律；以Matlab为仿真平台，模拟2点循环、3点不共线工况下机械臂的运动轨迹，分析最优适应度值、趋于收敛时的迭代次数、关节位姿曲线等。试验结果表明，2点循环作业时间较于初始规划时间缩短50.01%，3点不共线时间缩短67.83%；相比于基本粒子群算法和自适应粒子群算法，2种工况下最优适应度值均下降，收敛速度分别提升了48.28%和67.77%。2种工况下6关节位姿曲线均连续、无突变，且运行时间缩短。

关键词： 交通运输工程   海铁转运   调度优化   改进免疫遗传算法  

摘要： 集装箱转运作为连接海运与铁路运输的关键环节，其效率直接影响到整个物流链的顺畅运行。缩短集装箱在港停留时间、优化设备作业顺序以及提升转运效率对于实现高效的海铁联运至关重要。然而，现有研究往往忽视了对集装箱完整转运流程及设备空载时间因素的考虑。鉴于此，针对从船舶卸载至堆场再转至铁路线的全过程，构建了一个以最小化总作业完成时间为目标函数的数学模型，旨在解决实际存在的连续作业约束、空载等待时间和具体操作位置等问题；通过采用改进后的免疫遗传算法(特别是引入克隆抗体选择机制和自适应参数调整策略)来求解该问题；经过一系列优化对比证明了该方法能更有效地找到最优解或近似最优解，即最短的总作业完成时间及其对应的设备调度方案。研究成果不仅有助于显著减少港口内集装箱的处理周期，还能促进节能减排。

关键词： 时间弹性带   电机控制   动态自适应   五次多项式插值   轨迹连续性约束  

摘要： 针对传统时间弹性带(Time elastic band，TEB)算法在稠密障碍物环境中存在的全局路径偏离、路径不平滑及机器人运动不连续问题，提出一种结合电机控制优化的改进TEB平滑路径规划算法。该算法首先对机器人静态位姿进行动态自适应采样，确保机器人在高密度障碍物区域中紧密跟随全局路径。在此基础上，通过对TEB优化目标函数的扩展，利用五次多项式插值法引入轨迹连续性代价约束，减少电机的频繁加减速行为，实现机器人的路径平滑与运动连续。通过仿真对比试验，验证了所提改进TEB算法相较于现有基准算法，在保持电机稳定运行的前提下，能够规划出更贴近全局路径的平滑轨迹，使机器人高效穿越稠密障碍物区域。本研究为提升机器人在复杂环境中的路径规划能力与电机控制性能提供了有效方法。