一种新型粮食企业智能称量系统的设计

针对粮食企业地磅称量中存在的多种人为差错和作弊的现象,提出一种综合计算机网络、红外定位和视频技术的具有智能辅助的称量信息系统.首先利用红外线定位确保待称重车辆停放到位,再通过摄像头对现场进行实时视频录制以便于追溯,同时对汽车车牌分割和识别作为确定待称重车辆身份的辅助,有效解决了称重过程中存在的管理漏洞,确保了称重数据的准确性和可靠性.系统软件基于.Net平台使用C#语言开发.通过在企业的实际运行表明,该系统性能良好,有较高的实用参考价值.     

LonWorks现场总线技术在列车监控系统中的应用

随着LonWorks现场总线网络标准被确定为我国列车通信网络标准之一，现场总线技术在列车通信网络技术开发中得到越来越多的应用。本文在简单介绍现场总线技术的基础上，主要对现场总线技术在列车网络监控系统中的应用现状及应用方式进行了分析。     

基于嵌入式多功能智能称重仪设计

称重计量已成为人们生活、工业生产中必不可少的环节。为了满足市场上对于称重计量的不同需求,采用嵌入式技术,设计一种新型多功能智能称重仪,并对特殊功能称重算法进行研究,实现台称基本称重功能的同时,还能进行动物称重、计数、峰值保持和累加等特殊功能称重。实验结果表明,该系统可在不同功能方式下快速精确测量所需的参数,普通称重方式下,平均误差在0.25%以内;动物称重方式下,平均误差在0.4%左右;计数称重方式下,平均误差为0.6%;峰值称重方式下,平均误差可达0.16%。     

基于石英传感器的动态称重数据处理算法研究

通过对以石英晶体传感器为称重单元的动态称重系统称重信号中干扰信号的分析,得出其称重信号中存在大量干扰信号,包括高频噪声和低频噪声,此外车辆行驶时自身振动、轴型、行驶速度以及加速度都会影响动态称重精度.针对以上问题,提出先利用小波变换算法对称重数据进行滤波预处理,然后再经过EEMD算法以及信号重构算法进一步处理.将以上信号处理算法通过仿真以及运用于现场,能够使称重数据误差控制在2%以内,达到了良好的称重效果.     

称重传感器串联工作方式的改进与长线补偿

对颗粒饲料生产线中称重传感器存在的缺点进行了分析，提出了传感器串并联组合方式的改进方案，同时也提出了适用于传感器长距离传输的六线制补偿的方案，改善了称重系统的可靠性与准确度。     

电子汽车衡称重管理系统的研制

本文介绍了用Ｃ语言，ＦｏｘＰｒｏ关系数据库语言混合编制的电子汽车衡称重管理系统的软硬件组成，功能及工作原理，介绍了该系统所具有防作弊功能，称重重量放大显示，货品名称，车牌号码等称重数据的快速录入，称重数据的维护和管理等特点。     

总线技术和嵌入式控制器在称重系统中的应用

简要介绍了RS-485总线、I-7188嵌入式控制器、WAGO750-842可编程现场总线控制器(PFC)的功能与特点。详细分析了称重控制器通信协议、系统软硬件设计以及通信功能的实现。利用RS-485和I-7188,实现了WAGO750-842对多台称重控制器的串行通信,达到了对分散设备的集中控制和计量数据的采集及自动上报功能。实际应用表明,该控制系统结构有着很好的容错性与稳定性,易于管理和扩充。     

列车通信网的编址与寻址方法的研究

符合列车通信网国际标准的列车已在欧美得到了广泛的应用,为了对TCN的体系结构有更进一步的了解。对列车通信网的编址和寻址方式的研究是很有必要的。在介绍列车通信网结构、功能及特点的基础上,对基于多功能车辆总线和绞线式列车总线的列车通信网的编址和寻址方式进行了研究,并通过将其与几种流行的现场总线的编址和寻址方式的对比。研究了它们之间的差异与共同点,最后得出这种高效的列车通信网的编址和寻址方式为数据传输的实时性提供了保证的结论.     

基于多传感器采集轴重信号的公路货车不停车称重系统

在公路货车不停车称重过程中,由于缺少对车辆行驶各种干扰因素的深度分析,导致称重系统精度不足,因此该文提出基于多传感器采集轴重信号的公路货车不停车称重系统。根据现场称重情况确定多传感器安装位置,设计信号采集模块,并对多组采集数据进行处理,依据车辆行驶路况和车辆质量计算车辆荷载,结合硬件设计部分实现车辆的动态称重,同时利用传感器检测车辆的轨迹线横向位置,进一步确定车辆的称重数据。测试结果表明,提出的基于多传感器采集轴重信号的称重系统信号采集延迟小、测量精度高,该系统的抗干扰性得到了提高。     

基于Profibus-DP的智能称重从站的设计

文章提出了一种基于Profibus-DP现场总线的智能称重从站的设计方案,分析了Profibus-DP现场总线的特点,详细介绍了称重传感器信号放大器的设计、MAX1166与AT89C52的接口设计、SPC3与AT89C52的接口设计、以及该智能称重从站的软件设计。实际应用表明,该智能称重从站能满足互操作性以及实时通信的要求。     

高速铁路列车追踪间隔时间优化研究

目前我国高速铁路在CTCS2/3级运行条件下,基本达到3min追踪间隔时间,为进一步缩短列车追踪间隔时间,基于线路坡度参数,对列车制动距离进行多阶段划分,通过建立列车混合优化模型和基于动态规划的多阶段决策模型,采用COADP算法(自适应动态规划协同优化算法)优化列车制动距离,得到各阶段的最优决策序列,以及列车制动距离的最优目标函数,对高速铁路列车追踪间隔时间进行优化,并对ADP算法(自适应动态规划算法)和COPADP算法的优化结果进行了仿真对比,结果表明COADP算法不仅有效避免了ADP算法的"维数灾"问题,而且对追踪间隔时间的优化作用更为明显,提升了高速铁路的通过能力。     

高速铁路移动通信下基于IMT-A的时变信道建模

信道建模及其仿真方法是高速铁路移动通信系统设计的难点，同时已有的面向高速移动下IMT-A时变信道建模的研究仍存在不足。针对上述挑战，提出了一种高铁移动下具有时变参数的基于IMT-A信道的建模方法。首先，针对IMT-A的城市宏小区场景，设计了一个马尔可夫过程来模拟时变簇的数量变化，接着推导出随时间变化的信道参数的表达式，其中包括簇的延迟、功率、离开角和到达角，并得到了信道冲激响应；其次，分析了信道的时变空时域互相关函数、时变自相关函数以及平稳间隔；最后，对所提信道模型的统计性质进行了仿真，验证了该模型具有时变性以及高速铁路信道具有的非平稳性，并且证明了所提信道模型可用来模拟高速铁路信道的可行性。     

移动闭塞条件下基于双曲列控策略的发车间隔时间计算

列车间隔时间关乎铁路行车安全和效率。对未来铁路移动闭塞系统发车间隔时间的科学计算进行探讨,引入了能够反映经验丰富司机驾车列车优化行为的基于双曲函数的列车行为控制模型;然后,讨论了列车分段运动方程和车站发车作业、进路解锁等环节,以及各种误差因素,并将它们与基于双曲函数的列车行为控制模型有机结合起来,建立了计算移动闭塞条件下车站发车间隔时间的数学模型,给出了两种不同情形的车站发车间隔时间计算方法,数值仿真试验验证了算法的有效性和可行性。对移动闭塞条件下车站发车环节的列车行为控制和行车组织有较大参考价值。     

基于两阶段算法的列车调度问题

考虑突发铁路损坏对列车运行的影响,在列车运行调度理论的基础上,建立了单线铁路调度模型,设计了一种带有突发事件处理能力的两阶段列车调度算法,第1阶段对列车区间运行速度进行调整,第2阶段对列车的停站时间进行调整.将3种有效的搜索算子、一种自适应更新规则与粒子群算法相结合,以列车延迟率作为优化目标,求解单线铁路列车调度问题.通过将所提算法与其他算法在相同实验条件下进行测试对比,并进行突发事件测试,验证了所提算法的有效性.     

改进生成对抗网络在图片数据生成中的应用

图片数据生成旨在根据现有的图片数据,产生与原始图片数据分布相似的图片数据。当前主流的生成对抗网络模型（generative adversarial networks,GAN）产生的图片数据质量较差,模型的训练总是遇到调试困难、训练不稳定、梯度消失、模式崩溃等一系列问题。根据稀疏表达结构和残差结构组合而成的生成器,残差结构组成的辨别器,提出了一种能够生成高质量图片的GAN模型。根据分支网络模型构成的生成器,设计了多种类图片数据生成模型,可以使用一个模型同时训练生成多种类型的图片数据。为了更好地对数据进行训练,设计了一种动态匀速下降学习率,能够根据运行时间对学习率的衰减进行指导。在各个数据集上的实验结果表明,改进模型结构在图像数据生成上比其他算法更加稳定、鲁棒,能够生成更高质量的图片数据。     

面向小样本关系抽取的自适应胶囊网络

小样本关系抽取任务是自然语言处理中的热点问题,旨在使用低成本的标注数据训练关系抽取模型。目前广泛使用的原型网络存在类原型表达不准确、不完整等问题。为了克服该问题,提出一种自适应胶囊网络（adaptive capsule network,ACNet）,ACNet借助胶囊网络的归纳能力生成类原型,并在此基础上对动态路由过程进行评估,使其面对不同样本能自适应调整网络参数。同时,在ACNet中引入一种记忆迭代机制,帮助模型快速确定类表示。在小样本关系数据集FewRel上进行实验验证得出,ACNet能够有效处理小样本关系抽取任务。     

一种基于特征的多目标跟踪算法

论文提出了一种基于特征的多目标跟踪算法。根据目标在相邻帧间运动具有连续性,并且包围窗口、灰度变化不大的特点,该算法改进了一种代价函数。在跟踪的匹配过程中,启动了卡尔曼滤波,预测目标匹配搜索区域。同时,使用目标链记录了目标最新的运动状态和特征值,保证了运动跟踪的连续性。     

基于LSTM与非对称网络的改进DDPG算法研究

针对深度强化学习算法在复杂动态环境中训练时,由于环境的部分可观测性原因导致智能体难以获得有用信息而不能学习到良好策略且算法收敛速度慢等典型问题,提出一种基于LSTM和非对称actor-critic网络的改进DDPG算法。该算法在actor-critic网络结构中引入LSTM结构,通过记忆推理来学习部分可观测马尔可夫状态中的隐藏状态,同时在actor网络只使用RGB图像作为部分可观测输入的情况下,critic网络利用仿真环境的完全状态进行训练构成非对称网络,加快了训练收敛速度。通过在ROS中进行机械臂抓取仿真实验,结果显示该算法相比于DDPG、PPO和LSTM-DDPG算法获得了更高的成功率,同时具有较快的收敛速度。     

基于流数据的列车在线状态监测方法研究与应用

为实时地监测列车在线状态,传统的阈值检测方法只能从数值表现上对设备或系统状态做出判断,而忽略了数据趋势性变化所反映出的列车健康状态变化信息.文章针对列车在线运行过程中产生的流数据提出了一种基于一致性表现的流数据分析方法,其在离群异常点提供报警的同时,能够从特征变化趋势中挖掘信息,同时开发了一套应用于列车多功能车辆总线M...     

基于强化学习的挖掘机时间最优轨迹规划

针对挖掘机的自主作业场景,提出基于强化学习的时间最优轨迹规划方法.首先,搭建仿真环境用于产生数据,以动臂、斗杆和铲斗关节的角度、角速度为状态观测变量,以各关节的角加速度值为动作信息,通过状态观测信息实现仿真环境与自主学习算法的交互;然后,设计以动臂、斗杆和铲斗关节运动是否超出允许范围、完成任务 总时间和目标相对距离为奖励函数对策略网络参数进行训练;最后,利用改进的近端策略优化算法(proximal policy optimization, PPO)实现挖掘机的时间最优轨迹规划.与此同时,与不同连续动作空间的强化学习算法进行对比,实验结果表明:所提出优化算法效率更高,收敛速度更快,作业轨迹更平滑,可有效避免各关节受到较大冲击,有助于挖掘机高效、平稳地作业.