应用卡尔曼滤波的激振力时域识别方法研究

激振力识别属于结构动力学中的第二类反问题,为识别振动系统的激励力,本文基于卡尔曼滤波器和最小方差估计的方法,分别建立了以系统位移和加速度为输入参数的激振力时域识别方法.推导了两种方法的识别公式,并对两种方法的识别结果和识别结果的稳健性进行了仿真分析.仿真结果表明,两种方法对噪声方差初值的设定均不敏感;以加速度幅值为输入的方法识别精度优于以位移幅值为输入的方法;以位移幅值为输入的方法识别结果稳健性较好.最后采用力锤敲击试验验证了识别方法的有效性和精度.     

采煤机滚筒速度对采煤机动态响应的影响分析

针对采煤机滚筒进行煤岩的截割过程中,容易引起振动作用,不利于采煤机稳定工作的问题,基于滚筒的进给速度及旋转速度,建立滚筒与煤岩的动力学模型,分析不同的进给速度及旋转速度对采煤机动态响应的影响,为选择合理的参数提供依据.     

地表径流速度对城市内涝影响规律

为分析地表径流速度对城市内涝的影响,采用一维地下排水管网与二维城区地形的动态耦合模型,选取大连市某排水区块作为研究区域,设置4种地表径流速度10种设计降雨场景,模拟分析在不同重现期设计降雨及不同地表径流速度下研究区的内涝积水特性。结果表明:随着地表径流速度降低,管道排水压力变小,管道排水达标率最高可提升48.05%,且降雨重现期越短,地表径流流速对管道排水压力的削减效果越明显;地表径流流速对检查井溢流量影响显著,随着地表径流速度降低,检查井溢流量峰值最高可减小2 750 m~3,峰现时间最长可滞后56 min,同时随着降雨重现期增长,地表径流流速对检查井溢流量的削减效果减弱;研究区低、高风险区淹没面积随地表径流速度降低,最高可分别减小1.64万、8.37万m~2,但中风险区淹没面积变化反复。     

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.     

机器翻译译文质量估计综述

机器翻译译文质量估计(Quality Estimation,QE)是指在不需要人工参考译文的条件下,估计机器翻译系统产生的译文的质量,对机器翻译研究和应用具有很重要的价值。机器翻译译文质量估计经过最近几年的发展,取得了丰富的研究成果。该文首先介绍了机器翻译译文质量估计的背景与意义;然后详细介绍了句子级QE、单词级QE、文档级QE的具体任务目标、评价指标等内容,进一步概括了QE方法发展的三个阶段: 基于特征工程和机器学习的QE方法阶段,基于深度学习的QE方法阶段,融入预训练模型的QE方法阶段,并介绍了每一阶段中的代表性研究工作;最后分析了目前的研究现状及不足,并对未来QE方法的研究及发展方向进行了展望。     

四旋翼长续航飞行模式的设计与实现

更长的飞行时间是四旋翼无人机领域研究热点方向之一;在对实际飞行中瞬时消耗电流和电池电压数据的研究中发现,过大姿态角下电池电量消耗显著提升;为了延长飞行时间和提升电池电量使用效率,提出一种长续航飞行模式;在该模式下,基于现有的角速度串级PID姿态控制器,将飞行加速度的控制算法改为飞行速度控制,限制过大姿态角的操作;在无风、微风和强风环境下的飞行实验表明,长续航飞行模式比传统飞行方式飞行时间增加8%~20%;长续航飞行模式可广泛应用于多种无需快速变换飞行路径,但需要更长飞行时间的的应用场景中。     

专题:6G的智能通信计算融合技术

内容导读目前,针对潜在6G关键技术的场景与需求研究成为学术界的热点。面向未来更多类型终端的智能互联与新兴服务的需求,人工智能应用于无线通信物理层的信道估计、编译码及接收机设计,解决基于大数据的网络自主优化,基于泛在无线感知和边缘侧的强大算力构成的多接入边缘计算,已成为6G无线技术发展的重要趋势。在未来智能车联网、物联网、有人/无人交互、全息通信等场景下,面向未来的智能通信计算融合需求,存在许多拟待解决的关键科学问题。