H桥级联型SSSC的动态模型及小干扰稳定性分析

基于模块化建模的方法,考虑实际电路结构,建立了含H桥级联型静止同步串联补偿器(SSSC)的系统小信号模型。结合实际工程参数,通过对比小信号模型计算结果与PSCAD/EMTDC电磁仿真结果,验证了小信号模型的准确性。然后采用特征值分析法分析了该系统的振荡模态,并研究了控制器参数对系统小干扰稳定性的影响。研究结果表明随着解耦控制器以及均压控制器参数的增大,系统稳定性均增强。最后通过时域仿真算例验证了特征值分析结论的准确性。     

Chat GPT辅助的平行智能教育

<正>为了给学习者提供个性化学习体验,本文提出一种同时包含物理学习和虚拟学习的平行智能教育框架。由于Chat GPT在对传统课堂学习的补充上有巨大应用潜力,我们讨论了使用Chat GPT进行学习的优势和劣势。最后,总结了基于Chat GPT的平行智能教育面临的挑战和潜在解决方案。1引言随着近几十年间新型技术和学习工具的出现,教育领域经历不断变革。虚拟现实、机器学习、强化学习和元宇宙只是其中几个例子（Gu et al., 2023; Hare and Tang, 2023; Liang et al.,2023; Shi et al., 2023）。最近的热门话题则围绕可能对传统课堂学习产生影响的Chat GPT。     

基于循环因果的复杂系统设计及验证：cad2CAS和casCAD（英文）

去中心化自治组织（DAO）的兴起,为传统的社会协作关系带来全新的可能性,而DAO组织的核心驱动力和权利基础就在于其创新的运作机制。然而,DAO作为一个同时具有社会复杂性和工程复杂性的复杂系统,其机制需要能够动态适应不断变化的外部环境,这同时也是其面临的巨大挑战。传统的自上而下的设计方法并不能有效解决这些问题。循环因果理论将复杂系统的运作视作是一个持续演化的动态过程,从而为解决以上问题提供了新的视角。因此,基于平行智能理论和循环因果理论,提出一种用于DAO机制设计和验证的工程方法。在这种方法中,采用了计算机辅助复杂自适应系统的动态设计工具（cad2CAS）简化DAO机制的设计,并使用复杂自适应系统的计算机辅助动态设计系统（cas CAD2）验证和引导这些机制,从而建立一个因果循环。通过提出这种方法,希望能提高DAO治理系统的效率、安全性和适应性,为更加鲁棒和弹性的去中心化组织发展奠定基础。     

平行图像:图像生成的一个新型理论框架*

为了提高计算机视觉系统的泛化能力,要求利用大规模、多样化、带标注的图像数据集,对视觉模型进行充分的学习与评估.由于从实际场景中获取图像具有局限性,文中提出一种图像生成理论框架,称为平行图像.平行图像的核心单元是软件定义的人工图像系统.从实际场景中获取特定的图像“小数据”,输入人工图像系统,生成大量新的人工图像数据.文中总结平行图像的实现方法,包括图形渲染、图像风格迁移、生成式模型等,并且对比分析人工图像和实际图像的特点,讨论领域适应策略.     

深锥形槽体对细粒煤干扰沉降分级实验研究

本文重点研究了自制深锥形干扰沉降分级机在不同影响因素下对细粒煤的分级效率,结果表明:底部和中部同时给水形式的设计有利于细粒煤分级,底部与中部给水量比值对分级效率有一定影响但不明显;给料速度及浓度值越低,细粒煤分级效率越高。该装置的适宜分级条件为流量配比2∶1、给料速度0.50m/s、矿浆浓度40%时,粒级级配(0.25~0.125mm和1.0~0.5mm)分级效率接近65%,较常规分级旋流器分级效率50%~60%提高约5%~15%,实验结果表明深锥形干扰沉降分级机可有效实现细粒煤的分级。     

发挥科学技术在应急管理中的作用

一月中旬以来,一场罕见的冻灾持续影响着大半个中国.铁路、公路、民航纷纷告急,对于各地数量庞大的滞留旅客而言,回家过年成为一件困难的事情.由于电煤供应受到极端天气的严重影响,一批发电机组被迫关停.华中、华东电网受损严重,设施覆冰覆雪严重,倒塔断线、线路跳闸事故频发. 这场突如其来的冰冻雨雪,让我们整个国家都经历了一场严峻的考验.     

基于Agent的区域交通流协调控制的研究

以Agent技术为基础，对区域交通协调控制进行了研究。首先对区域交通流控制的Agent组成及结构做了简单的说明，然后对路段Agent与路口Agent的协商策略进行描述，在此基础上对一个较简单的路网进行仿真，从而证实该文所研究的基于Agent进行区域交通流协调控制的有效性。     

平行学习——机器学习的一个新型理论框架

本文提出了一种新的机器学习理论框架.该框架结合了现有多种机器学习理论框架的优点,并针对如何使用软件定义的人工系统从大数据提取有效数据,如何结合预测学习和集成学习,以及如何利用默顿定律进行指示学习等目前机器学习领域面临的重要问题进行了特别设计.     

问答ChatGPT之后:超大预训练模型的机遇和挑战

超大预训练模型(Pre-trained model, PTM)是人工智能领域近年来迅速崛起的研究方向,在自然语言处理(Natural language processing, NLP)和计算机视觉等多种任务中达到了有史以来的最佳性能,促进了人工智能生成内容(Artificial intelligence-generated content, AIGC)的发展和落地. ChatGPT作为当下最火热的PTM,更是以优异的表现获得各界的广泛关注.本文围绕ChatGPT展开.首先概括PTM的基本思想并对其发展历程进行梳理;接着,详细探讨ChatGPT的技术细节,并以平行智能的视角阐述ChatGPT;最后,从技术、范式以及应用等多个方面对PTM的发展趋势进行展望.