基于无线通信的机车信号系统

在任何列车控制系统中．信号系统都是列车运行控制的关键，本文提出基于GSM—R的无线机车信号系统．描述了系统结构、功能模块。根据地面控制设备和无线通信传输设备的不同连接方式．讨论了无线机车信号系统的两种组网方案．即地面控制设备和无线传输设备之间的有线连接和无线连接．并分别讨论了两者的特点。     

基于网格的散乱点曲面重构技术

提出一种利用网格技术实现散乱点曲面重构的方法,设计适合网格并行的松耦合分层重构算法,在此基础上研究基于Agent技术的智能任务分解机制和基于Condor-G技术的任务分配与调度策略,并搭建网格实验平台进行测试。对重构结果的分析表明,该技术可提高基于散乱点的曲面重构速度,降低应用成本。     

计算网格中动态负载平衡的分布调度模式

网格计算下对资源进行有效的管理和调度可以提高系统的利用率.在对现有若干调度方法的研究和分析基础上,针对计算网格中的负载平衡问题,提出了一种分布式网格作业调度模型,并给出相关算法.算法通过建立主从模式的负载信息收集机制,提供给节点全局负载信息,加速重负载节点的负载转移速度.通过有效的负载平衡模式,解决资源调度中负载平衡及其可靠性问题.     

机器人视觉三维重建网格门户的研究与开发

为了提高机器人视觉三维重建的速度,分析了建设机器人视觉三维重建网格的必要性以及网格门户在网格系统中的重要性.根据三维重建网格的特点设计了网格门户的体系结构,介绍了基于Gridport门户开发工具包快速开发三维重建网格门户中的各个组件的基本过程,实现了基于门户的单点登录、用户管理、资源监测、文件传输和三维重建服务调用等基本功能.     

基于频率恢复控制的逆变器主动同步策略研究

随着微电网的提出,运行于独立和并网双模式的并网逆变器受到越来越多的关注。逆变器并网过程中与大电网的同步问题是实现逆变器平滑并网的关键,如何保证并网过程中频率和相角的精确快速控制是主动同步控制的难点。本文提出了一种适用于下垂控制的主动同步控制策略,该策略采用频率恢复控制方法使得并网逆变器工作频率固定为额定值,主动同步过程只需考虑幅值和相角同步,简化了控制策略,解决了采用传统下垂控制时频率和相角难以实现同时同步的问题。仿真和实验验证了该方法的有效性。     

浅谈全容式地上LNG储罐保冷结构及蒸发率影响因素

本文结合天津某液化天然气(LNG)项目,介绍了LNG储罐的结构和保冷系统的组成,结合储罐预冷实践和已有文献资料,对于LNG蒸发率(BOR)的影响因素进行了分析。LNG生产企业能够通过有效控制LNG储罐的蒸发率,一方面可以提高收率,提升产量;另一方面可以降低能耗,减少不必要的无用功。     

虚拟电阻在逆变电源输出滤波器中的应用

简述了输出滤波器在逆变电源中减小输出电流波动的作用,对传统LC滤波器存在的瞬时振荡使波形发生畸变的情况进行了分析,提出应用虚拟电阻改变系统振荡阻尼的方法,虚拟电阻是通过一种附加的控制算法来模拟LC输出滤波器的电阻,分析了他的工作原理,并与原有的方法进行了比较。理论分析和仿真证明提出的输出滤波器改进方法简单而有效。     

同步协同设计中并发控制的研究

为解决协同设计过程中存在的数据一致性不高、数据传输量大、实时性差等问题,通过分析分布式CSCW环境中并发控制的各种方法,并根据同步协同设计特点和用户操作意愿,设计了并发控制网络模型.在该模型中,计算数据传输的最小延时确定主控站点,提出了基于事务优先权的混合并发控制策略,以保证协同用户在操作过程中的并发率.实例证明,以上措施的实现保证用户自由共享资源,提高了并发控制的实时性和数据的一致性.     

物联网语义关联和决策方法的研究

物联网系统包含大量的感知设备,产生大量孤立和异构的感知数据,形成数据孤岛.如何将不同感知设备产生的数据进行有效的语义关联、构建跨域的数据关联模型、屏蔽数据异构性、实现综合智能决策是物联网研究的关键问题.本文以物联网系统为研究对象,从语义入手,构建以环境—资源—行为为核心的物联网本体模型;基于关联数据方法构建以行为关联模型和资源关联模型为核心的物联网语义关联网络;提出一种基于事件的推理算法实现语义推理,从而更好地实现对物联网系统的智能决策;最后,通过两个智能家居系统的实例验证了本文方法的可行性,通过构建不同方法的查询实例验证了本文方法的优越性.     

基于迁移学习的细粒度实体分类方法的研究

细粒度实体分类(Fine-grained entity type classification, FETC)旨在将文本中出现的实体映射到层次化的细分实体类别中. 近年来, 采用深度神经网络实现实体分类取得了很大进展. 但是, 训练一个具备精准识别度的神经网络模型需要足够数量的标注数据, 而细粒度实体分类的标注语料非常稀少, 如何在没有标注语料的领域进行实体分类成为难题. 针对缺少标注语料的实体分类任务, 本文提出了一种基于迁移学习的细粒度实体分类方法, 首先通过构建一个映射关系模型挖掘有标注语料的实体类别与无标注语料实体类别间的语义关系, 对无标注语料的每个实体类别, 构建其对应的有标注语料的类别映射集合. 然后, 构建双向长短期记忆(Bidirectional long short term memory, BiLSTM)模型, 将代表映射类别集的句子向量组合作为模型的输入用来训练无标注实体类别. 基于映射类别集中不同类别与对应的无标注类别的语义距离构建注意力机制, 从而实现实体分类器以识别未知实体分类. 实验证明, 我们的方法取得了较好的效果, 达到了在无任何标注语料前提下识别未知命名实体分类的目的.