课程文献中心 更多>>

关键词： 主计划编制   改进鲸鱼优化算法   建筑预制构件   周投产计划  

摘要： 目的研究按层投产的建筑预制构件生产线主计划编制方法,确保编制的主计划能够有效指导实际生产,并最大限度地提高生产效率。方法分析建筑预制构件的生产方式和装配式建筑的建造方式,建立数学模型,提出按层投产的面向建筑构件生产线主计划编制方法;通过设计动态非线性因子、增加惯性权重以及设置概率选择因子的方法改进鲸鱼优化算法,优化周计划投产立数。结果在40次仿真实验中,使用改进鲸鱼优化算法与其他三种算法对比,平均单周内建筑预制构件产量分别提高了6.42%、4.40%和0.95%,平均完工时间分别降低13.74%、7.53%和2.17%。结论编制方法可以有效地提升鲸鱼优化算法的收敛速度和最优解的定位精度,平衡收敛的全局性;按层投产的建筑预制构件生产线主计划编制方法能够有效降低完工时间,最大限度地利用资源,保障生产过程的高效性。

关键词： 孤立森林算法   电力营销   数据异常   异常辨识   大规模数据处理  

摘要： 随着电力系统的快速发展,电力营销数据的规模和复杂性不断增加,异常数据的准确辨识对于保障电网安全、提高服务质量和降低运营成本具有重要意义。传统的异常检测方法在处理大规模数据时存在效率低下和准确性不足的问题。孤立森林算法作为一种高效的异常检测方法,能够更好地处理此类问题。本文旨在研究基于孤立森林算法的电力营销数据异常辨识方法,并通过实验验证其有效性。

关键词： uBlock算法   AVX2指令集   并行运算   低延迟   快速软件实现  

摘要： 为对国产分组密码算法uBlock进行软件优化,选择支持256 bit数据位宽的AVX2指令集,提高编译器自动优化等级,优化函数的调用过程,优化数据存储结构,综合使用高位并行、低延迟指令逻辑优化等方法实现单线程并行计算。通过使用这种有效的组合方法,uBlock-128/128算法、uBlock-128/256算法和uBlock-256/256算法单密钥短消息加密的速度较原代码分别提升269%、182%和49%。基于这些优化方法,uBlock-128/128、uBlock-128/256和uBlock-256/256三个算法版本均实现了单密钥场景与多密钥场景。

关键词： 火力分配   混沌映射   自适应网格划分   多目标优化   鲸鱼优化算法  

摘要： 传统多目标优化算法在解决多于两个目标函数的火力分配问题时收敛效果不佳,多样性差,耗时过大。基于此,提出了一种自适应网格多目标鲸鱼优化算法(AG-MOWOA)来解决以震塌比例、弹药成本和自身剩余价值为目标函数的火力分配问题。该算法引入混沌映射和外部Pareto存档进化策略提高了种群的多样性,通过自适应网格选取最优个体的方法极大地减少了算法运行时间。仿真实验结果表明,该算法较其他算法收敛速度更快、收敛质量更高、解集分布更多样,能够有效解决火力分配问题。

关键词： 交通工程   异常驾驶行为识别   ATFN模型   时序特征   注意力机制  

摘要： 针对目前驾驶行为识别数据维度高、检测难度大,存在精度不高及稳定性较弱等问题,提出一种融合注意力机制与时序特征的异常驾驶行为识别算法。通过传感器采集驾驶人执行特定驾驶行为片段的过程数据并进行数据清洗,清洗后的数据进行模板化处理依次被规整为N×N×C和M×C以适应网络模型输入;构建融合注意力机制与时序特征的网络(ATFN)模型,完成对急加/减速、急左/右转弯、急左/右变道、正常驾驶等7种驾驶行为的分类识别。在公开数据集上与长短时记忆网络算法(LSTM)、融合注意力机制的长短记忆网络算法(ALSTM)、融合卷积的长短时记忆网络算法(CLSTM)进行了对比分析。试验结果表明:LSTM、ALSTM、CLSTM与本文ATFN算法平均准确率分别为92.94%、94.28%、90.98%、95.47%,ATFN模型精度最高,相比其他3种模型分别提升了2.53%、1.19%、4.49%;结合损失值、精确率和F1值等指标,ATFN模型整体性能最优。该算法效果良好且稳定性较高,满足实际检测精度需求,可为异常行为预警和驾驶风险评估提供技术支持。

关键词： 经验模态分解   汽车声音   主动降噪   特征提取  

摘要： 针对客户对车内噪声的抱怨较多,尤其是风噪和路噪的问题,提出一种经验模态分解(EMD)的改进算法,主要通过极值点选取方式的改进以获得更稳定的本征模态函数(IMF),并通过比较分解后本征模态函数与纯净风噪的相关系数拟合度,重构混合信号中的风噪进行主动噪声控制,从而达到对特定噪声降噪,保留其余有用的声音。此方法能够较高精度提取风噪特征,为风噪控制提供参考信号,从而实现有效降噪,提高车内乘员的乘坐舒适性,形成汽车的品牌效应,增强汽车在国内外市场中的竞争力。

关键词： 肺结节   高分辨CT   重建算法   人工智能  

摘要： 目的分析不同CT重建算法对人工智能(artificial intelligence,AI)辅助肺结节识别效能的影响。方法选取2022年12月至2023年4月我院行肺部高分辨CT(high resolution CT,HRCT)扫描的患者200例为对象,采用肺高分辨算法(lung high-resolution algorithm,Lung)和标准算法(standard algorithm,Stnd)两种算法进行层厚为0.625 mm的薄层重建。将两种重建算法得到的原始数据传送至AI辅助诊断软件进行肺结节自动检测,纪录结节的密度、大小。根据结节大小将实性结节分为<5 mm、≥5 mm,亚实性结节分为<8 mm、≥8 mm,统计两种重建算法下AI识别结节的真阳数和假阳数,计算AI对肺结节识别的敏感度。比较两种重建算法下AI软件识别肺结节效能是否有差异。结果实性结节<5 mm结节996个,Lung算法下真阳数697个(敏感度69.98%),Stnd算法下真阳数817个(敏感度82.03%);≥5 mm结节74个,Lung算法下真阳数47个(敏感度63.51%),Stnd算法下真阳数67个(敏感度90.54%)。亚实性结节<8 mm结节358个,Lung算法下真阳数230个(敏感度64.25%),Stnd算法下真阳数340个(敏感度94.97%);≥8 mm结节35个,Lung算法下真阳数35个(敏感度100.00%),Stnd算法下真阳数34个(敏感度97.14%)。在Stnd算法下AI识别2组不同大小的实性结节(<5 mm和≥5 mm)敏感度高于Lung算法。对亚实性结节的识别,结节<8 mm时Stnd算法敏感度高于Lung算法(P<0.05),≥8 mm时两种算法之间无差异(P>0.05)。结论不同CT重建算法条件下AI辅助肺结节识别效能存在差异,对于肺实性结节的识别应用Stnd重建算法敏感度优于Lung算法。对于肺亚实性结节的识别,结节<8 mm运用Stnd算法敏感度高于Lung算法,但假阳性高,≥8 mm两种算法无差异性有高的敏感度。

关键词： 煤矿井下多目标检测   YOLOv8n   动态蛇形卷积   CA注意力机制   特征提取   特征融合  

摘要： 目前基于深度学习的煤矿井下目标检测算法在面对光照强度分布不均、目标环境复杂及多类目标尺度分布不均衡时,对复杂小目标的检测效果不佳,易出现漏检和误检现象。针对上述问题,基于单阶段目标检测算法YOLOv8n,提出了一种基于动态蛇形卷积的特征提取(FEDSC)−双向特征金字塔网络与语义和细节融合的特征融合(FFBD)的煤矿井下多目标检测算法,即采用FEDSC替换YOLOv8n的主干网络,扩大感受野;将FFBD作为颈部网络,减少目标误检和漏检;引入SIoU的解耦检测头作为检测层,提高模型对小目标的适应能力与模型收敛速度。实验结果表明:①FEDSC−FFBD算法的mAP@0.5为97.00%,模型参数量为4.22×106个,每秒浮点运算数为21.7×109。②FEDSC−FFBD算法的mAP@0.5较YOLOv8n算法提升了3.40%,对安全帽小目标的识别准确率为90.90%,较YOLOv8n算法提升了11%。③与其他YOLO系列算法相比,FEDSC−FFBD算法的mAP@0.5最高,较YOLOv5s,YOLOv9c,YOLOv10n和YOLOv11n算法分别提升了3.60%,1%,10.50%和6.40%。④FEDSC−FFBD算法在面对煤矿井下光照强度分布不均、目标环境复杂及尺度分布不均衡的条件下,提高了多类别目标的检测精度,改善了小目标漏检和误检的问题。基于FEDSC−FFBD的煤矿井下多目标检测算法在无图像质量增强算法的前提下,克服了光照强度分布不均对小尺度目标检测带来的挑战。

关键词： 索结构   有限元方法   TL列式   UL列式   非线性分析  

摘要： 有限元方法中的TL列式(Total Lagrangian Formulation)和UL列式(Updated Lagrangian Formulation)是分析索结构的两种主要方法,它们基于不同的运动参考状态,在理论推导和求解算法方面也有所差异.尽管两种列式在索结构分析中都有较好适用性,但对于二者在具体应用中的差异和适用场景的对比分析却相对缺乏.本文基于能量变分计算,推导了两种列式下的索单元切线刚度表达式,并对比分析了各自列式下非线性平衡方程的迭代策略差异,最后通过具体算例,证明了对于仅涉及几何非线性的索结构分析而言,二者能得出一致的分析结果,并指出:TL列式相比于UL列式,概念简单且求解算法简洁,在仅涉及几何非线性的索结构分析中有明显优势.

关键词： 大数据   土木工程   造价预算   决策支持系统   数据管理  

摘要： 在土木工程造价预算中,大数据的运用正在逐步改变着传统预算编制与决策过程。本次研究就土木工程造价预算中大数据技术的应用状况进行论述,对其中所带来的优势和挑战进行分析,对其中所出现的一些问题进行解决。本文采用文献综述、案例分析等方法,对大数据技术在造价预算过程中的优化方式进行研究,以提升预算准确性与效率。发现大数据技术可以通过整合海量数据为造价预算提供更为全面的信息支撑,但是在数据获取,处理与分析过程中也存在挑战。文章提出促进大数据技术运用成效的策略主要有强化数据质量管理,优化预算软件集成和开发决策支持系统等。研究结果表明:大数据技术应用于土木工程造价预算具有广阔的发展前景,可为工程造价管理提供更科学,更有效的手段与方法。