中国传统缝制手工艺制作的创新与发展

手工艺是跳跃在指尖上的文化,古老的中国传统手工艺是自然材料与人类智慧的巧妙结合。中国历史悠久,文化底蕴深厚,流传下来无数经典手工艺技法,这些经过大浪淘沙世代相传下来的经典中国传统手工艺是对中华民族几千年来多样化发展的文化精髓的一种体现和记录,是人类智慧的结晶,是有生命的。总有生生不息的手工艺匠人和设计工作者们会不由自主的热爱钻习这些手工艺技法并把他们悠悠传承发展下去。     

基于模糊粒子群算法的有向传感器网络路径覆盖策略*

建立有向传感器节点模糊感知模型,利用模糊数据融合规则减少网络不确定区域.对于有向传感器网络路径覆盖问题,提出基于模糊粒子群算法的有向传感器网络路径覆盖增强算法,将n维求解问题转化为一维求解问题,以提高单个传感器节点净覆盖域为目的,提高网络覆盖率.仿真结果表明,对于感知方向可连续调节的有向传感器网络节点,在随机部署情况下与现有算法对比,文中算法能有效提高有向传感器网络路径覆盖率,并且具有较快的收敛速度,延长网络生存期.     

农药氯氰菊酯的分子印迹聚合物的合成及其结合性能研究

为了制备特异性强、吸附效果好的分析材料,本实验采用分子印迹技术,以农药氯氰菊酯为模板分子,甲基丙烯酸 (MAA) 为功能单体,乙二醇二甲基丙烯酸酯 (EDMA) 为交联剂,合成了对氯氰菊酯具有高度选择性的分子印迹聚合物(MIP)。通过平衡吸附实验,评价了其对氯氰菊酯的亲和力和选择性。结果表明,与空白MIP相比,氯氰菊酯MIP对其表现出较高的亲和力。Scatchard 分析表明,在MIP中存在对氯氰菊酯有不同亲和力的两类作用位点,其中高亲和力结合位点的离解常数Kd为3.604×10-4mol/L,最大表观吸附量Qmax为53.045μmol/g,低亲和力结合位点的离解常数Kd为1.8015×10-3mol/L,最大表观吸附量为116.61μmol/g。氯氰菊酯MIP上有两个不同性质的结合位点,它对模板分子氯氰菊酯具有一定的选择性和识别能力。     

基于深度学习的工业自动化包装缺陷检测方法

目的针对目前工业自动化生产中基于人工特征提取的包装缺陷检测方法复杂、专业知识要求高、通用性差、在多目标和复杂背景下难以应用等问题,研究基于深度学习的实时包装缺陷检测方法。方法在样本数据较少的情况下,提出一种基于深度学习的Inception-V3图像分类算法和YOLO-V3目标检测算法相结合的缺陷检测方法,并设计完整的基于计算机视觉的在线包装缺陷检测系统。结果实验结果显示,该方法的识别准确率为99.49%,方差为0.0000506,只使用Inception-V3算法的准确率为97.70%,方差为0.000251。结论相比一般基于人工特征提取的包装缺陷检测方法,避免了复杂的特征提取过程。相比只应用图像分类算法进行包装缺陷检测,该方法在包装缺陷区域占比较小的情况下能较明显地提高包装缺陷检测精度和稳定性,在复杂检测背景和多目标场景中体现优势。该缺陷检测系统和检测方法可以很容易地迁移到其他类似在线检测问题上。     

人工智能在电力系统及综合能源系统中的应用综述

推进能源生产和消费革命,构建清洁低碳安全高效的能源体系,需要发展更加智能的新一代电力系统及综合能源系统。人工智能(AI)是当前最具颠覆性的科学技术之一,在计算智能、感知智能和认知智能方面具有强处理能力。人工智能技术在电力系统和综合能源系统中的应用,将改变能源传统利用模式,促进系统进一步智能化。文中主要从人工智能概述、电力系统及综合能源系统对人工智能的需求,以及人工智能在能源领域中的应用几个层面进行综述和分析,最后对人工智能在电力系统及综合能源系统中应用所面临的挑战进行了分析和展望。     

基于气象数据降维与混合深度学习的短期电力负荷预测

精确的短期负荷预测能通过预知所需用电负荷来指导电网的调度运行。但电力负荷不仅与用户用电习惯相关，还容易受到温度、湿度等气象因素的影响。因此，文章在现有的使用负荷历史数据基础上，增加了影响区域型电力负荷的气象数据，并考虑高维气象参量数据对预测算法的过拟合问题，提出了基于稀疏核主成分分析(sparse kernel principal component analysis, SKPCA)的高维气象数据降维方法。进而以历史负荷功率和SKPCA重构后主成分为输入，构建了基于卷积神经网络(convolutional neural network, CNN)和长短时记忆(long-short-term memory, LSTM)神经网络的混合深度学习预测模型。CNN-LSTM模型可以同时提取负荷功率及气象数据的空间和时间相关特征，从而全面利用数据的时-空相关性特征，提升负荷功率的短期预测精度。相比于常见的数据降维和负荷预测方法，文章所提方法的数据维度降低了71.43%,预测精度达到了98.92%。结果表明，所提算法融合通过SKPCA降维后的气象数据能够显著提升区域型电力短期负荷预测准确度。     

特约主编寄语

正智能化的新一代电力系统及综合能源系统是实现清洁、低碳、安全、高效的能源使用,推动能源生产和消费革命的核心。人工智能作为当前最具颠覆性的科学技术之一,被寄予厚望以提升电力和综合能源系统智能化水平。事实上,自20世纪80年代起,以专家系统和神经网络为代表的人工智能技术已开始被尝试在电力领域应用,但由于当时信息感知、通信传输和数据处理技术的局限性以及硬件算力的限制,实践效果存在着不足和缺陷。随着信息通信技术的进步和大数据时代的到来,以及能源转型的创新