基于有限元分析的轮胎振动特性优化

轮胎的振动特性对汽车驾驶室内产生的噪声有显著影响,对轮胎振动特性进行优化有重要意义.以某型轮胎为研究对象,基于有限元方法建立轮胎的动力学模型,求解三种振动条件下的模态固有频率,并通过调整轮胎的结构参数优化轮胎的振动频率,进而有效抑制共振,达到降低汽车驾驶室内噪声的目的.     

纯电环卫车箱体轻量化的有限元分析方法研究

以16t纯电环卫车箱体为研究对象,通过有限元分析方法的研究,在实现轻量化设计的同时解决了箱体开裂的问题,经实车验证强度满足,同时实现降重40kg,为纯电环卫车的轻量化设计提供了一条可行的途径.     

基于全局优化与深度学习的条形码识别方法

提出了一种在深度神经网络的基础上结合全局优化方法的条形码识别算法,利用卷积循环网络提取出条码中各字元的特征并进行分类,较传统方法具有更强的适应性与泛化能力,再进一步结合全局优化的方法,以达到充分利用条码结构性先验信息的目的,能显著提升方法的效果,尤其是将全局优化方法引入到神经网络中进行端到端学习,不仅保持了两者的优势同时还进一步提高了识别精度.实验结果证明了所提方法的有效性,达到约99.48％的识别精度,超越了传统的图像处理方法.     

基于双目标优化遗传算法和支持向量机的旋转机械退化状态识别

退化特征提取是机械健康状态监测的重要组成部分,伴随旋转机械长时间连续运转,退化特征出现性能波动甚至下降,给退化特征提取和选择造成了困难.首先利用一个特征映射算法库对振动信号提取特征,并基于Kolnogorov-Smirnov (KS)检验和Benjamini-Yekutieli过程对原始特征集进行过滤,然后利用双目标优化遗传算法(Bi-objective Optimization Genetic Algorithm,BOGA)结合支持向量机分类器(Support Vector Classifier,SVC),在有监督的环境下搜索出最佳特征子集,其中BOGA设置了SVC分类精确度和特征子集维数两个目标函数,前者进行最大化,后者进行最小化.通过在液压泵退化状态数据集上进行实验和在凯斯西楚大学轴承数据集与FRESH_PCAa、ReliefF、JMIM三种方法进行对比,验证了该方法在退化状态识别上的较好性能.     

基于PMU的电力系统监控体系结构优化设计

文中提出了一种利用有限数量的相量测量单元(PMU)和相量数据集中器(PDC)设计最优监控结构的方法。通过在大量的设定值场景下,使电力系统可观测性曲线的期望值最大化,同时使通信基础设施成本最小化,最终确定PMU和PDC的最佳位置。提出了一种非线性动态扩展卡尔曼滤波(EFK)状态观测器。这种状态观测器可以将暂态行为转换为由代数微分方程描述的广域电力系统,而无需非线性反演技术。最后以IEEE-5电力系统为例,说明了该方法的有效性。     

坛紫菜蛋白质提取工艺优化及其特性分析

为了开展坛紫菜高值化加工利用，以坛紫菜为原料、蛋白质提取率为评价指标，通过考察提取溶剂、超声时间和功率、料液比、pH等单因素实验、正交试验设计优化超声波提取工艺，对其等电点、乳化性、起泡性等基础特性进行分析，并进行抗氧化活性测定。结果表明，在超声全程时间50 min、超声功率1350 W条件下，坛紫菜蛋白质提取率为60.98%±1.01%。同时通过对所提取的坛紫菜蛋白质特性分析结果显示，坛紫菜蛋白质的等电点为4.5，在等电点附近，坛紫菜蛋白质有较好的泡沫稳定性，可达80.84%±2.95%；抗氧化测定结果显示，坛紫菜蛋白质在5~50 mg/mL范围内具有较强的抗氧化活性，浓度为50 mg/mL时，总抗氧化能力为2.89±0.09 U/mL，ABTS+自由基清除能力相当于0.83±0.08 mmol/L Trolox，DPPH清除率在10 mg/mL时达到68.04%±0.73%。该研究可以为坛紫菜资源的开发利用提供一定的理论依据和技术支持。     

基于城区场景的5G SA网络时长驻留比提升策略研究

5G驻留能力是反映5G用户感知非常重要的一个指标。本文重点对影响5G SA网络时长驻留比的因素进行了分析，其次从规划、建设、优化、市场营销4个方面提出了具体的提升思路，并从市场、终端、网络三个维度制定了不同的应对策略。从目前的策略实施和应用效果来看，5G SA时长驻留比提升比较明显，对打造5G 精品网、促进5G业务分流、助力公司数智化转型发展起到了重要作用。     

人工智能在移动通信中的应用

阐述移动通信技术的特点和应用状况，通信网络的优化框架，网络智能优化中的机器学习算法分析，完善后台监控系统，建立软件平台提高服务质量，形成安全的网络环境，保证高效运行。     

能耗优化的神经网络轻量化方法研究进展

近年来，神经网络在语音识别、计算机视觉、自然语言处理等领域都取得了良好的进展.大量的神经网络被部署于诸如手机、摄像头等依赖电池或太阳能供电的小型设备.但神经网络参数量大计算复杂，需占用大量计算资源并消耗电能，从而限制了其在资源受限平台上的应用.学术界和工业界逐渐关注于神经网络的高能耗问题.神经网络轻量化方法可以有效地减少参数数量、降低参数精度或优化计算过程从而降低神经网络能耗.本文从能耗优化的角度梳理了神经网络能耗估算方法和神经网络轻量化方法的基本思路，综述了近年来该领域主要研究成果，并提出了能耗估算和能耗优化的神经网络轻量化方法存在的挑战及进一步研究的方向.其中神经网络能耗估算方法包括测量法、分析法和估算法.能耗优化的神经网络轻量化方法包括剪枝、量化、张量分解和知识蒸馏.对于进一步研究方向我们认为，首先需要建立可自适应网络类型的能耗模型；然后需要考虑平衡精度和能耗的轻量化方法.其次需要实现硬件平台可泛化的轻量化方法；最后开发搜索空间可约束的轻量化方法.