Neural network modeling and control of proton exchange membrane fuel cell

A neural network model and fuzzy neural network controller was designed to control the inner impedance of a proton exchange membrane fuel cell (PEMFC) stack. A radial basis function (RBF) neural network model was trained by the input-output data of impedance. A fuzzy neural network controller was designed to control the impedance response. The RBF neural network model was used to test the fuzzy neural network controller. The results show that the RBF model output can imitate actual output well, the maximal error is not beyond 20 m-, the training time is about 1 s by using 20 neurons, and the mean squared errors is 141.9 m-2. The impedance of the PEMFC stack is controlled within the optimum range when the load changes, and the adjustive time is about 3 min.     

基于改进的SIFT算法的集成电路图像拼接

使用显微镜获取集成电路的局部图像,再经过图像拼接技术得到完整的集成电路图像,由于在显微镜特性的限制,在特殊场景下(光照不足、发生旋转、图像缺失)的效果并不理想.提出一种基于尺度不变特征变换(scale-invariant feature trans-form,SIFT)算法的配准改进算法,对显微镜获取的特殊场景下的集成...     

不规则建筑的自然意向

通过研究各类形式各异、有玄奥理论包装的不规则建筑类型,指出其实际上包含一种回归自然、体现人与自然的和谐共存的艺术情结。论文剖析了不规则建筑形成和流行的社会根源,归纳了地景建筑、柔体建筑和表皮建筑等不规则建筑类型及其设计手法,认为随着人类对环境和自我状态的认识深化,表现自然意象是未来建筑发展一种重要方向。     

配网模型自动分析与校核研究

虽然CIM模型已经广泛应于系统间模型同步工作中,但是对CIM模型的质量却一直没有采取有效的检验措施。这最终导致巨大的系统运维成本,也影响着整个系统的稳定性和安全性。本文为解决这项问题提出了一种有效的模型校核手段,能够有效的分析模型的逻辑结构和拓扑结构,检查出不符合电网运行的数据描述,并通过可视化手段实现了问题在模型中的快速定位。     

Mg对锂二次电池负极Li-B合金中骨架结构与性能的影响

在传统热电池负极材料Li-B合金中,加入Mg元素能够提高极片的抗氧化性、抑制自放电,并能够有效提升热电池的放电稳定性。在锂二次电池负极材料Li-B合金中掺杂Mg元素,制备获得Li-B-Mg合金,通过Li-Mg固溶体强化LiB化合物骨架结构,缓解坍塌问题。通过X射线衍射仪、扫描电子显微镜、电化学充放电测试和交流阻抗谱对两种合金的物相、形貌、电化学性能进行了表征。结果表明,Mg元素对Li-B合金的放电性能有所提升,并能够一定程度支撑LiB纤维骨架结构,缓解坍塌问题。这对于Li-B合金作为锂二次电池负极的潜在材料有一定的奠基作用。     

车陂涌堤岸基础处理方案的选择

通过对广州市车陂涌堤防整治的设计实例,介绍了不同地质情况、不同堤岸形式,采取不同的基础处理方案,从而达到经济合理,安全可靠的目的,可为类似工程提供参考价值。     

BIM技术在深圳市龙华区环城绿道项目中的应用

以深圳市龙华区环城绿道项目为背景,针对该项目施工质量要求高;工期紧、施工组织管理要求高;材料需求量大,质量要求高;涉及部门多,施工协调难度大;总承包中施工与勘察设计紧密联系、安全文明施工和环境保护要求高等重难点,通过引入BIM技术及鲁班平台,进行道路信息模型建立及可视化应用、工程量计算及进度计划管理、质量和安全管理、方案优化、资料关联及变更管理、运维管理等技术,优化解决施工难题,提升项目管控力度和效益。     

基于软标签和样本权重优化的Anchor Free目标检测算法

与Anchor Based目标检测算法类似,基于特征点的Anchor Free目标检测算法也面临着在正负样本划分中存在模糊样本的问题,即根据特定阈值和特征点位置划分非正即负的训练样本,网络在对特征点位置处在临界值附近的样本进行训练时会产生较大的损失,使得网络将注意力过于集中在这些模糊样本上,降低了网络的整体检测性能。针对此情况,提出从软标签、损失函数和权重优化3个方面对基于特征点的Anchor Free目标检测算法进行改进,通过充分利用Center Ness参数来缓解模糊样本对网络性能的影响,提高目标检测的准确率。为证明所提方法的有效性,分别在经典的Pascal VOC数据集和MS COCO数据集上使用FCOS目标检测器进行对比实验,最终将检测器在Pascal VOC数据集上的mAP提升至82.16%(提升约1.31%),在MS COCO数据集上的AP_50-95提升至35.8%(提升约1.3%)。