基于堆叠稀疏去噪自动编码网络与多隐层反向传播神经网络的铣刀磨损预测模型

刀具磨损状态是机械加工过程中需考虑的重要因素之一.针对铣刀磨损的在线预测问题,建立了一种基于深度学习的铣刀磨损预测模型.首先,将采集到的铣刀切削时的振动信号进行小波去噪后,利用快速傅里叶变换和小波包分解等技术提取时域、频域及时频域上的特征参数,并根据相关性分析从中筛选出合格的特征参数合并为特征向量,以此作为堆叠稀疏去噪自动编码网络(SSDAE)的含噪样本.其次,利用特征后处理的方式对已经筛选出的特征参数进行单调不递减及平滑处理,并将其作为SSDAE的无噪样本来训练该网络.然后,将经过SSDAE降维后的特征向量作为多隐层反向传播神经网络(BPNN)的输入,以这些特征对应的实际铣刀的磨损量作为标签对该网络进行拟合训练.最后,对训练好的模型进行实验验证,通过测试数据集和人为加入噪声的测试数据集的对比,结果显示所提模型不仅具有较高的预测精度,还具有较高的鲁棒性.     

基于可穿戴传感器数据的人体行为识别数据特征提取方法

随着可穿戴设备的发展与普及,基于可穿戴传感数据进行人体行为检测展现了巨大的研究价值.目前大多人类行为识别工作都是基于视频图像展开的,然而,使用计算机视觉技术进行人类行为识别存在2个挑战:一是很难使参与数据采集的人员在自然状态下采集真实状态下的运动数据,在开展数据采集之前往往需要对参与数据采集的人员进行培训并严格规范其采集动作,最终得到的数据将是背离真实生活的数据,其研究价值将大打折扣;二是数据采集过程中还涉及采集人员的隐私保护问题.为此,提出一种基于深度学习的数据特征提取方法.首先在灵活设置卷积核的基础上引入神经网络的分支结构多尺度提取原始数据的深度特征;然后将各分支得到的数据特征进行融合并作为下一个卷积层的输入.实验结果表明,与目前主流方法相比,该方法在MHEALTH,WHARF和USCHAD这3个标准数据集上的准确率和召回率都取得了更好的效果.此外,该方法还在2个较新数据集Stanford-ECM Dataset和DATAEGO上做了验证,结果表明该方法具有较好的泛化能力.     

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。     

建筑工业化发展的多群体演化博弈与仿真研究

新型建筑工业化具有高质量、低消耗、可循环发展等特征，其推广已上升到国家战略层面。利用演化博弈方法，建立“政府-开发商-银行” 的三方动态演化博弈模型，进行各博弈主体策略的演化稳定性分析，并针对初始状态、奖惩力度、借贷风险和开发成本等对演化结果的影响进行动态仿真。在此基础上， 考虑开发商群体的网络拓扑特征对演化真实性的影响，引入复杂网络理论， 以无标度网络为载体描述开发商个体的连接偏好和决策机制，构建政府监管下的建筑工业化扩散模型，并通过仿真深入研究相关因素对扩散深度的影响作用，最后结合仿真结果给出相应对策建议。     

无蜂窝大规模MIMO中导频欺骗攻击检测方法

在无蜂窝大规模多输入多输出网络中，一方面，接入点（access points， APs）分布式部署导致信道硬化及利好传播现象不再显著，导频欺骗攻击（pilot spoofing attack， PSA）的恶意窃听者可以通过调整导频发送功率，得以模拟信道特性，传统依赖大尺度衰落先验信息的PSA检测技术不再适用；另一方面，基于信息论准则的PSA检测技术，需要比AP数量级高的导频样本进行观测，而信道估计阶段所耗费的时长无疑影响系统的频谱效率。针对这种情况，提出了一种基于信号子空间的欺骗检测（signal subspace based spoofing detection， SSBSD）方法。首先，在合法用户的训练序列上叠加一个随机序列，利用灵活检验准则对信源数量进行估计。其次，利用统计学中的线性收缩原理，对导频样本协方差矩阵进行优化，使观测样本的噪声特征值分布更好拟合信道噪声功率。最后，通过信号的正交补空间对观测矩阵进行投影处理，从而实现PSA检测。经仿真实验与理论分析，SSBSD方法无须大尺度衰落先验信息，也无须与AP数量级相同的导频长度，对PSA的导频发送功率十分敏感，在大尺度衰落未知、大尺度衰落时间相关或频谱资源受限的通信环境中，可以精确检测低电平功率的PSA。      

电信专业学术英文写作模块化教学实践

学术英文写作是当今电子信息专业研究生必修的一门课程。然而传统的以教师为中心的灌输式教学已不能跟上网络迅猛发展的趋势,尤其是当疫情来临的特殊形势下。此外,现有的学术英文写作教学研究仅提供宏观的设计,缺乏具体的实际可操作性。为此,本文以引言写作逻辑为教学模块案例,探索了如何充分利用网络资源的优势,开展以学生为中心的课前课中课下有机融合的灵活的教学设计。所探索的引言写作技巧和详实的教学设计,为模块化网络教学提供一个切实可行的参考方案。     

基于网络的决策支持系统在水资源管理中的应用

综述了决策支持系统(DSS)与基于网络的决策支持系统(Web-based DSS)在水资源管理中的应用概况,通过对二者进行比较,指出Web-based DSS具有便于系统更新维护、降低用户使用门槛、扩展用户沟通渠道等优势。对Web-based DSS涉及的基础应用开发、多源信息采集与集成、多模块并行耦合、决策效果评估等关键技术进行了分析,探讨了Web-based DSS在多源异构大数据环境下面临的问题与挑战。     

CDBN‑IKELM的轴承变工况故障诊断方法

针对现有方法在轴承变工况方面存在的诊断精度低、人工提取特征不充分等问题，提出了基于卷积深度置信网络（convolutional deep belief network，简称CDBN）与改进核极限学习机 （improved Kernel?based extreme learning machine，简称IKELM）的滚动轴承故障智能识别方法。首先，由卷积深度置信网络对原始信号内的故障特征进行深层自适应提取；其次，利用等距特征映射对提取的多维特征进行降维，去除冗余特征信息；然后，采用改进的核极限学习机对特征进行分类，使用粒子群（particle swarm optimization， 简称PSO）对模型重要参数进行优化，实现滚动轴承变工况下的故障识别；最后，将所提方法应用于不同工况下多种轴承故障的诊断。实验结果表明，该方法能够智能有效地识别变工况的轴承故障，诊断结果优于已有的智能故障诊断方法。     

基于改进粗糙集的混合传感器节点分类算法

混合传感节点的属性较难形成统一识别特征，其节点属性约简过程复杂，存在分类时间长及分类性能差的问题。为此，提出了基于粗糙集的混合传感节点高精度分类算法。在初始化传感节点的基础上计算适应度值，利用遗传算法优化粗糙集修正校验结果，获得统一编码形式的节点。在此基础上，排除了属性权重为“0”的属性，完成节点属性约简。再利用普通分类方法和高级分类方法结合的方式，进行混合节点分类。根据约束条件选取对应的分类方法，实现混合传感节点高精度分类。仿真结果表明，所提算法的分类用时低于520 ms，且该方法的查全率、查准率及F1值均高于对比方法，混合传感节点分类性能较好。