深度矩阵分解推荐算法

协同过滤推荐算法中的矩阵分解因其简单、易于实现,得到了广泛的应用.但是矩阵分解通过简单的线性内积建模用户和物品之间的非线性交互关系,限制了模型的表达能力.为此,He等人提出了广义矩阵分解模型,通过非线性激活函数和连接权重,将矩阵分解推广到广义矩阵分解,为模型赋予建模用户和物品间的二阶非线性交互关系的能力.但是广义矩阵分解模型是一个浅层模型,并不能很好地建模用户和物品间高阶交互关系,一定程度上可能会影响模型性能.受广义矩阵分解模型启发,提出了深度矩阵分解模型（deep matrix factorization,简称DMF）,在广义矩阵分解模型的基础上引入隐藏层,利用深层神经网络来学习用户和物品间高阶交互关系.深度矩阵分解模型不仅解决了简单内积的线性问题,同时还能够建模用户和物品间的高阶交互,具有很好的表达能力.此外,在MovieLens和Anime两个数据集上进行了大量丰富的对比实验,验证了模型的可行性和有效性;同时,通过实验确定了模型的最优参数.     

双金属板渐进成形底部鼓包和侧壁鼓凸研究

为了从工艺上提高双金属板成形精度,通过实验结合有限元分析的方法探究了不同工艺参数对成形精度的影响,研究表明:成形角度和成形深度分别是影响底部精度和侧壁精度的最关键因素,当成形角度由30°增大至60°时,底部鼓包高度降低29%,侧壁鼓凸量增加18.5%;当工具头直径由10 mm增大至20 mm时,底部鼓包高度下降13%,侧壁鼓凸量下降16%;当下压量由0.5 mm减小至0.2 mm时,底部鼓包高度下降24%,侧壁鼓凸量增加18.3%;最后优选了合理的工艺参数,使得底面鼓包高度下降49%,侧壁鼓凸量下降41%。     

工艺参数对氮化铝陶瓷表面激光金属化层电阻的影响

目的 提高氮化铝陶瓷表面激光金属化层的导电性能。方法 采用正交试验设计方案,使用30 W纳秒光纤激光打标机制备了氮化铝陶瓷表面激光金属化试样,测量了金属层的电阻。通过极差分析和方差分析方法分析了激光工艺参数及其交互作用对氮化铝陶瓷表面激光金属化层电阻值的影响规律。结果 在本研究激光工艺参数及其取值范围内,激光功率对氮化铝表面激光金属化层电阻的影响最为显著,增大激光功率有利于降低氮化铝表面激光金属化层的电阻值。采用优化工艺参数(激光功率30 W、频率30 kHz、扫描速度100mm/s)单次激光扫描制备激光金属化层的电阻为2.25?/mm。随着重复扫描次数的增加,功率不同的激光表面金属层的电阻值向相反方向转变：小功率激光表面金属层电阻值随扫描次数增加而迅速减小,大功率激光表面金属层电阻值随扫描次数增加而增大。经10次重复扫描后,激光功率3 W(相应的激光能量密度约为15.3 J/cm²)激光金属化层的电阻值低于功率分别为30 W和18.75 W激光金属化层的电阻值。结论 采用30 W激光单次扫描,或者采用3 W激光多次扫描,有利于提高氮化铝表面激光金属化层的导电性。     

高硫尾矿充填体强度演化规律及其机理分析

针对国外部分金属矿山由于脱硫工艺及运输成本高等原因倾向于直接使用采选后的高硫尾矿(含硫量 >30%)用作充填材料的现象,采用全面法试验设计,研究灰砂比和料浆浓度对高硫尾矿充填体的长期强度影响规律, 并通过 XRD 和 SEM 等方法对高硫尾矿充填体中水化产物和微观结构进行微观机理分析,判断高硫尾矿是否适合直 接用作充填材料。 结果表明:灰砂比和料浆浓度对充填体强度影响非常明显,提高灰砂比或料浆浓度能够明显增大 充填体强度。 当料浆浓度为 72%和 74%时,充填体长期强度损失率随着灰砂比的提高先增大后减小;当料浆浓度为 76%时,充填体长期强度损失率与灰砂比则成正比关系。 在 1 ∶24 灰砂比条件下,74%浓度料浆和 76%浓度料浆的充 填体长期强度损失率相近;在 1 ∶12 灰砂比条件下,充填体长期强度损失率随着料浆浓度的提高先增大后减小;在 1 ∶8 灰砂比条件下,充填体长期强度损失率与料浆浓度成反比。 XRD 及 SEM 研究结果显示充填体水化反应中除了含有 大量未反应的黄铁矿,还会生成石膏和少量钙矾石等膨胀性产物,不仅会造成 C—S—H 凝胶发生脱钙现象,还会引起 充填骨架出现裂隙,导致充填体长期强度的减小。 因此,矿山使用高硫尾矿进行充填必须考虑充填体在不同龄期的 劣化程度,以及是否满足该龄期下的强度要求。     

二次铝灰资源化研究进展

二次铝灰是熔铝产生的熔渣经提铝后产生的,由金属铝、氧化铝、氮化铝和盐类精炼剂等组成,因具有反应性和毒性被列为HW48危险废物,其无害化处置与资源化利用是亟需解决的难题。二次铝灰具有危险性是由于存在氮化铝和盐类精炼剂,其处置技术分为湿法、火法和湿法-火法联合3种工艺。湿法是采用水解氮化铝回收氨气、溶解并回收盐类精炼剂,最后得到氧化铝;火法是二次铝灰经熔融或煅烧分解氮化铝和盐类精炼剂,制备建筑材料或耐火材料。综述了二次铝灰的理化特性、环境危害、资源化技术,展望了二次铝灰研发和产业化的发展方向,为二次铝灰的资源化利用提供了参考。     

基于前馈模型预测控制的类车机器人路径跟踪

在类车机器人路径跟踪控制方法中,模型预测控制（Model predictive control, MPC）在处理系统约束方面具有较大优势,但是现有的非线性模型预测控制（Nonlinear MPC, NMPC）实时性较差,线性模型预测控制（Linear MPC, LMPC）精确性较差,因此亟需提出一种同时具有较高精确性与实时性的类车机器人路径跟踪控制方法.为此,以无预瞄点的LMPC为基础,引入基于逆运动学模型的前馈转向角信息,提出了一种前馈模型预测控制（Feedforward MPC, FMPC）方法,并通过MATLAB和Carsim进行了联合仿真测试. FMPC具有较高的精确性,在所有仿真结果中,位移误差绝对值不超过0.1110 m,航向误差绝对值不超过0.1177 rad.在相同工况下,FMPC与NMPC精确性相当,LMPC、前馈控制和Stanley控制误差发散. FMPC也具有较高的实时性,在每个控制周期内的解算时间不超过4.31 ms.在相同工况下,FMPC与LMPC实时性相当,相比NMPC能将每个控制周期内解算时间的最大值减小80.68%,平均值减小65.14%.此外,FMPC...     

非匹配不确定性影响下的无人车路径跟踪控制

针对无人车在非匹配不确定性影响下的路径跟踪控制问题,设计一种基于线性矩阵不等式（LMI）的滑模控制器.首先,根据车辆运动学和动力学方程,同时考虑轮胎侧滑造成的不确定性、车辆侧偏约束以及随机干扰影响,建立车辆非线性不确定系统模型;然后,提出一种线性滑模路径跟踪控制方法,给出线性滑模面存在的充分条件,并推导出线性滑模面存在的显式公式,以保证约束于该滑模面的降阶等价系统的二次稳定性;最后,在SerretFrenet坐标系下验证车辆单、双移线运动时的路径跟踪控制效果.仿真结果表明,所设计的滑模控制器可以保证对参考路径的稳定跟踪,具有较强的鲁棒性.     

直流电弧等离子体喷射化学气相沉积法制备金刚石膜过程中冷阱的设计及作用

首先,介绍直流电弧等离子体喷射化学气相沉积法的原理以及气体循环系统的设计和其优缺点;其次,详细介绍冷阱系统的设计及其工作原理;最后,使用拉曼光谱和傅里叶变换红外光谱与光致发光光谱对比添加冷阱系统前后的金刚石薄膜的质量。结果表明:冷阱系统可以有效过滤循环气路中的热油气,避免杂质的掺入;在添加冷阱系统后,金刚石膜内掺入的杂质减少,金刚石拉曼峰半高宽降低到6.76 cm?1,接近于Ib型单晶金刚石的,且自支撑金刚石膜的晶体质量明显提高,光学透过率提升较大,在10.6 μm波长处达到68.4%。      

基于奖励滤波信用分配的多智能体深度强化学习算法

近年来,强化学习方法在游戏博弈、机器人导航等多种应用领域取得了令人瞩目的成果.随着越来越多的现实场景需要多个智能体完成复杂任务,强化学习的研究领域已逐渐从单一智能体转向多智能体.而在多智能体强化学习问题的研究中,让智能体学会协作成为当前的一大研究热点.在这一过程中,多智能体信用分配问题亟待解决.这是因为部分可观测环境会针对智能体产生的联合动作产生奖励强化信号,并将其用于强化学习网络参数的更新.也就是说,当所有智能体共享一个相同的全局奖励时,难以确定系统中的每一个智能体对整体所做出的贡献.除此之外,当某个智能体提前学习好策略并获得较高的回报时,其他智能体可能停止探索,使得整个系统陷入局部最优.针对这些问题,本文提出了一种简单有效的方法,即基于奖励滤波的信用分配算法.将其他智能体引起的非平稳环境影响建模为噪声,获取集中训练过程中的全局奖励信号,经过滤波后得到每个智能体的局部奖励,用于协调多智能体的行为,更好地实现奖励最大化.我们还提出了基于奖励滤波的多智能体深度强化学习(RF-MADRL)框架,并在Open AI提供的合作导航环境中成功地进行了验证.实验结果表明,和基线算法相比,使用基于奖...     

基于注意力的高炉流态化料面多尺度检测算法

针对高炉料面图像经常发生多物理形态周期转变导致料线追踪精度下降问题, 研究了一种基于注意力的多尺度卷积核流态化料面检测算法(MKAD). 构建了雷达数据集–灰度图像–料形可视化的一类特征提取框架, 在卷积层采用通道和空间双注意力机制, 获得不同尺度的精细化颗粒流态化特征; 使用多尺度卷积核自适应方法提取 并融合喷涌料面多尺度颗粒物特征, 实现跨通道特征融合. 在南钢3#高炉和武钢7#高炉进行了实验和综合评估, 精确率分别可达83.01% 和86.50%, 与峰脊锐化方法相比, 分别实现了1.41%和4.9%的性能提升, 上述融合特征提取框架显著增强了料面检测的鲁棒性.