考虑建模误差的小型飞行器导航制导控制器设计

由于传统小型飞行器导航制导控制器对于飞行器的飞行状况调查完善度较低,数据收集力度较小,勘查条件较少.因此,本文基于建模误差设计了一种新的小型飞行器导航制导控制器.建立控制器结构,完善数据内部操作结构,获取相关性参数,并根据动力学模型,深入分析控制器数据,整合获取的信息,综合控制器设计优化算法,实现对小型飞行器导航制导控制器流程的设计.实验结果表明,相较于传统小型飞行器导航制导控制器,本文提出的设计能够在一定程度上控制数据设计的具体流向,掌控基础数据状态,具备较高的控制器反应灵敏度,且操作消耗时间较短,能够提供更为优质的系统服务.     

基于逆向建模的铝合金薄壁件电弧增材再修复成形研究

基于结构光三维扫描尺寸采集技术、Geomagic软件数据处理与逆向重构技术、AMSlicerPro软件模型剖分切片与路径规划技术等,对铝合金ZL114A薄壁件的待修复区域进行逆向建模,通过焊丝ER4043电弧增材再修复试验完成薄壁样件的修复,利用无损探伤、显微硬度计、电子万能试验机及扫描电子显微镜等分析测试手段,对电弧增材再修复样件熔敷区域的性能与组织进行表征.结果表明:成形样件表面无开口缺陷,内部组织致密、无肉眼可见缺陷;修复区域顶部的显微硬度略高于底部,中间区域显微硬度稳定;平行于熔敷方向的试样力学性能均优于垂直于熔敷方向的试样,成形样件力学性能呈现一定的各向异性;修复区域组织Al-Si共晶呈细小条状分布于α固溶体中,并从底部指向顶部延伸,顶部Al-Si共晶分布更加弥散,对α基体的切割效应小,使得其性能比底部更优.     

数学建模在化工生产中的应用——评《化工生产技术》

化工行业是国家经济发展的重要支柱产业,现代化科学技术的发展需要以数学作为支撑,从而将数学广泛应用于化工生产实践当中,对于提升化工行业的生产效率及产品质量等方面具有重要的作用。当前,化工行业想要获得可持续健康发展,依然要依赖于数学的发展,为了能够达到不断优化操作的目的,快速发展完善的计算机技术为数学建模在化工生产当中的应用提供了强大的支撑。     

油田区块监测指标与开发指标预测建模及运用

对油田区块监测工作进行分析,认识到区块监测指标以及开发指标预测建模的重要性,其核心目的是根据油田区域的基本情况,构建完善性的预测模式,以此来提高油田工作的整体质量,为行业的发展提供保障。     

基于图神经网络的网络性能智能预测

传统网络性能预测技术存在网络状态获取不够全面及网络性能评估准确性欠佳等问题，利用图神经网络学习推理网络关系数据的特点，结合捕获的网络全局信息，提出了一种基于图神经网络的网络性能智能预测方法。通过网络系统抽象及网络性能建模，将复杂的网络信息转化为形式化的图数据进行描述，利用图空域卷积处理图网络节点的消息传递过程，实现网络信息之间的关系推理，研究了实现网络性能预测的图神经网络模型，提出了一种能处理流量矩阵、网络拓扑、路由策略、节点配置的图神经网络体系结构，最后通过实验论证了模型能更好地实现包括时延、抖动和丢包率的网络性能的准确预测。     

VR虚拟实验室模型建设方案设计

随着VR软件和硬件技术在近几年得到质的提升,VR技术也越来越贴近人们的生产生活.VR技术广泛地用于商业游戏、环境模拟、线上和线下教育、远程虚拟医疗等领域.在教育行业目前有很多的虚拟实验室和模拟实训得到设计和开发.本文探讨了以3DS MAX等为主要设计开发工具的虚拟实验室模型建设方案的开发设计工作.     

基于实景建模与LSM方法的公路高边坡工程施工进度管理

通常,高速公路高边坡施工需要自上而下分台阶开挖支护,每个台阶的工作量难以准确估算,相关辅助工程同样难以预计,只能采用基于估算的粗略型进度管理方式。基于高速公路工程实践,提出一种基于实景建模与LSM方法的公路高边坡施工进度管理方法。通过实景建模精确估算分阶段的工程量,分析工程进度影响因素;采用LSM方法分析不同工序之间的空间关系。将实景建模与LSM方法相结合,可以实现公路高边坡精细化的进度管理,具有较高的应用价值。     

综合体住宅区幕墙设计研究

随着经济的快速发展,我国建筑装饰发展速度也进一步加快,建筑对于装饰效果重视程度逐渐提升,而幕墙属于建筑装饰中的一种普遍形式,和其他装置效果相比更加环保和美观。本文主要结合某一综合体住宅项目为例,对幕墙设计中的处理细节、设计要点以及注意事项进行了系统研究,希望能给相关人士提供有效参考。     

基于张量计算的卷积神经网络语义表示学习

卷积神经网络已在多个领域取得了优异的性能表现,然而由于其不透明的内部状态,其可解释性依然面临很大的挑战.其中一个原因是卷积神经网络以像素级特征为输入,逐层地抽取高级别特征,然而这些高层特征依然十分抽象,人类不能直观理解.为了解决这一问题,我们需要表征出网络中隐藏的人类可理解的语义概念.本文通过预先定义语义概念数据集(例如红色、条纹、斑点、狗),得到这些语义在网络某一层的特征图,将这些特征图作为数据,训练一个张量分类器.我们将与分界面正交的张量称为语义激活张量(Semantic Activation Tensors,SATs),每个SAT都指向对应的语义概念.相对于向量分类器,张量分类器可以保留张量数据的原始结构.在卷积网络中,每个特征图中都包含了位置信息和通道信息,如果将其简单地展开成向量形式,这会破坏其结构信息,导致最终分类精度的降低.本文使用SAT与网络梯度的内积来量化语义对分类结果的重要程度,此方法称为TSAT(Testing with SATs).例如,条纹对斑马的预测结果有多大影响.本文以图像分类网络作为解释对象,数据集选取Image Net,在Res Net50和Incep...