基于多层感知器的气液两相流流型识别方法

通过对电阻层析成像数据采集原理和深度学习网络的研究,提出了一种基于阵列电阻值和多层感知器深度学习网络相结合的流型识别方法。利用电阻层析成像系统中的16个电极传感器来获取流型样本数据,并构建出流型识别数据库,然后对多层感知器深度学习网络进行训练,获得可以识别不同流型的网络。实验结果表明,采用阵列电阻值结合多层感知器网络对流型进行学习和识别的方法,流型识别准确率可以达到95%,解决了流型图像生成过程与数据特征预选过程中流型特征损失的问题,流型识别性能得到了提高。     

分散式风电多点接入协调优化控制策略

针对分散式风电机组并网导致的配电网网损增加、电压稳定性降低等问题,文章提出一种分散式风电并网多点协调双层控制策略。首先,分析了分散式风电多点接入特性,研究分散式风电多点接入后的网损、电压分布和功率因数的关系,并提出最小网损和电压偏差为目标的双层优化控制策略。最后,基于IEEE-33节点进行仿真计算,结果表明,所提多点协调控制策略能够有效降低配电网网损和提升母线电压水平,增加系统的稳定性。与超前功率因数相比,滞后的功率因数能够增大风能消纳能力,提高供电可靠性,减少电压偏移水平。     

基于降噪时序深度学习网络的风电功率短期预测方法

利用风电场历史功率数据预测未来一段时间内的风功率,对保障电网安全稳定运行具有重要的意义。本文提出一种基于奇异谱分析SSA(singular spectrum analysis)和长短时记忆LSTM(long-short term memory net⁃work)网络的时序特征预测框架用于短期风功率的预测。首先通过SSA对历史风功率原始数据进行降噪处理,然后经过数据转换之后,以LSTM网络为基础进行预测模型的训练,最后通过某风电场提供的两个风机的历史功率数据进行验证。实验结果表明,奇异谱分析对风电场的历史数据具有良好的降噪性,SSA+LSTM模型在测试数据上取得了较好的预测性能,能够有效进行短期风功率的预测。     

[工程应用]智能制造场景的5G应用展望

为满足智能制造领域物联网当前发展的需求，研究了相应制造场景的5G应用技术。介绍了5G的关键技术，包括5G支持的应用场景、网络切片、网络功能虚拟化（NFV）/软件定义网络（SDN）、多接入边缘计算、设备对设备通信技术等；给出了基于扩展的信息物理系统5层框架，基于该框架分析了多个智能制造场景的5G应用（包括人机界面和生产信息技术、流程自动化、工厂自动化、物流和仓储、设备监控和维护等）；给出了以上应用的5G边缘计算开发框架，以集成上述场景；探讨了5G应用于智能制造场景所面临的多个挑战，以助于5G使能智能制造的落地应用。     

基于深度卷积神经网络的视觉里程计研究

视觉里程计利用视频信息来估计相机运动的位姿参数，实现对智能体的定位。传统视觉里程计方法需要特征提取、特征匹配/跟踪、外点剔除、运动估计、优化等流程，解算非常复杂，因此，提出了基于卷积神经网络的方法来实现端对端的单目视觉里程计。借助卷积神经网络对彩色图片自动学习提取图像帧间变化的全局特征，将用于分类的卷积神经网络转化为帧间时序特征网络，通过三层全连接层输出相机的帧间相对位姿参数。在KITTI数据集上的实验结果表明，提出的Deep-CNN-VO模型可以较准确地估计车辆的运动轨迹，证明了方法的可行性。在简化了复杂模型的基础上，与传统的视觉里程计系统相比，该模型的精度也有所提高。     

多共振分量融合CNN的行星齿轮箱故障诊断

针对行星齿轮箱中各部件所激起的振动成分混叠、早期故障特征经常被较强的各级齿轮谐波成分以及环境噪声所湮没的问题，提出一种多共振分量融合卷积神经网络（multi-resonance component fusion based convolutional neural network，简称MRCF-CNN）的行星齿轮箱故障诊断方法。首先，对振动信号进行共振稀疏分解，得到包含齿轮谐波成分的高共振分量和可能包含轴承故障冲击成分的低共振分量；其次，构建多共振分量融合卷积神经网络，将得到的高、低共振分量和原始振动信号进行自适应的特征级融合，通过有监督的方式训练模型并进行行星齿轮箱故障诊断。对行星齿轮箱实验数据的分析结果表明，该方法能够有效分类行星齿轮箱中滚动轴承和齿轮的故障，成功对行星齿轮箱故障进行诊断，同时能够进一步增强卷积神经网络对振动信号所蕴含的故障信息的辨识能力。     

城市排水管网混合流数值模拟研究进展

全球气候变化背景下,城市洪涝灾害事件频发,城市雨洪模型将扮演愈发重要的角色。精细化的城市雨洪模型离不开对排水管网水流的准确模拟。混合流在排水管网系统中普遍存在,研究其机理和精确模拟技术对城市排水模型和雨洪模拟精度的提升意义重大。因此,从混合流数值模拟方法、混合流物理模型及城市排水管网模型等三个方面综合分析了国内外在混合流模拟和计算方面的研究进展,并分析了当前研究存在的不足,在此基础上对未来排水管网混合流方面的研究工作进行了展望。     

Does interior color contrast enhance spatial memory?

This study investigated the effect of contrast in neutral-, warm-, and cool-colored spaces on spatial memory. Spatial memory was measured in terms of architectural scale and recollection of architectural elements and furniture. Participants (N = 114) viewed a short virtual simulation video of a residential studio and were asked to sketch a map of the architectural elements on distributed grid paper. Spatial memory was measured in terms of scale, and item recall rate. Contrast and hue had no significant effect on the memorization of proportional scale. However, high-contrast schemes allowed for a significantly higher recollection of architectural elements than low-contrast schemes. In comparing the effect of hues, a significant difference was seen in recalling detailed furniture and lighting items. Participants reported significantly better spatial memory of neutral and warm color schemes than of cool color schemes. There was no interaction effect between contrast and hue in the color combinations. These results can be applied in the design of color schemes for architectural spaces requiring enhanced spatial cognition and memory.     

一种Chirplet神经网络自动目标识别算法

针对飞机目标的自动识别问题,提出一种联合特征提取与分类的Chirplet神经网络方法,实现一维高分辨率距离像的识别。Chirplet神经网络将Chirplet原子变换用于多层前馈神经网络结构的输入层,替换传统的激励函数对距离像序列进行特征提取;网络的分类部分由隐层和输出层组成。在训练过程中调整神经网络权值的同时,完成对Chirplet原子时频参数的自动调整,协调优化特征参数和分类器参数,使Chirplet神经网络同时实现特征提取和目标分类。对4类飞机目标的仿真测试结果表明,相比时频变换和Gabor原子网络等方法,具有四特征参数的Chirplet神经网络方法具有较高的识别率和抗噪性能。