基于机器学习的网络拥塞控制研究

拥塞控制是网络研究的经典课题,可以避免网络因拥塞而性能下降。其在互联网的发展中扮演着重要的角色。近年来,随着机器学习、深度学习和强化学习的兴起,给拥塞控制提供了新的思路。对网络拥塞控制的机制进行了详细分析,阐述了国内外对于该领域的研究现状及进展,将有代表性的解决方案分为基于规则的解决方案、基于路由反馈的解决方案和智能解决方案3类,并详细分析了各方案的原理及优缺点。     

深度学习的人体图像半自动标注系统

针对目前数据标注过于依赖硬件、手动数据标注效率低下的问题,提出了基于深度学习的人体图像半自动标注系统.系统通过对算法进行改进,增加人体关键点个数进行特征提取和加入运动信息的约束,提高了视频分阶段标注的准确率.使用真实数据集仿真实验证明了通过深度学习算法进行数据标注的可行性,并且使用半自动标注的速度快、准确率高.     

基于多学习单元卷积神经网络的雷达辐射源信号识别

现有基于人工提取特征的复杂体制雷达辐射源信号识别方法时效性低,识别准确率不佳. 为此,提出了一种基于多学习单元卷积神经网络的识别方法. 首先对辐射源信号的模糊函数进行高斯平滑,以校正噪声带来的毛刺与畸变;然后提取其正交切片作为进一步的特征提取对象;最后构建多学习单元卷积神经网络,学习和提取正交切片深层、泛在的特征,并通过softmax分类器进行分类识别. 仿真实验结果表明,所提方法在信噪比为-2 dB时对6类典型雷达信号的整体平均识别率均保持在99.86%以上,即便是在-6 dB环境中,雷达信号的识别率也可达到88.50%,在极低信噪比条件下具有良好的性能和可行性.     

基于改进指针网络的卫星对地观测任务规划方法

针对卫星观测任务规划问题约束复杂、求解空间大和输入任务序列长度不固定的特点,使用深度强化学习（DRL）方法对卫星观测任务规划问题进行求解. 综合考虑时间窗口约束、任务间转移机动时间和卫星电量、存储约束,对卫星观测任务规划问题进行建模. 基于指针网络（PN）的运行机制建立序列决策算法模型,使用Mask向量来考虑卫星观测任务规划问题中的各类约束,并通过Actor Critic强化学习算法对模型进行训练,以获得最大的收益率. 借鉴多头注意力（MHA）机制的思想对PN进行改进,提出多头注意力指针网络（MHA-PN）算法. 根据实验结果可以看出,MHA-PN算法显著提高了模型的训练速度和泛化性能,训练好的MHA-PN算法模型可以直接对输入序列进行端到端的推理,避免传统启发式算法迭代求解的过程,具有较高的求解效率.     

深海带电插拔连接器力学特性分析

以水下7 000 m工况的深海带电插拔连接器为研究对象,旨在获得湿插拔连接器在深海双重高压下的受力特性和插拔过程中的动密封性能。介绍连接器的插头结构与压力补偿技术;推导压力补偿器工作容积的计算公式;运用Ansys Workbench建立插头内壳体组件与插孔组件的动密封有限元模型,对内壳体、压力平衡膜及内胆进行强度计算;分析由连接器插拔引起的平衡膜内外瞬时压差对膜的应力分布及变形情况;讨论密封件径向压缩量、密封接触面摩擦因数、插拔速度对插拔过程中动密封性能的影响。结果表明:插头插合时,平衡膜外表面应力基本不变,其变形减小;拔出时,平衡膜外表面的应力及变形都逐渐增大。密封件之间的接触压力受密封接触面过盈配合量的影响明显,增大过盈配合量可显著提高动密封区域的接触压力及密封性能,同时也会加剧密封件失效的可能性,密封接触面的摩擦因数、插拔速度对接触压力的影响则较小。     

Analytical and experimental analysis of deep drawing process for bimetal elements

The paper presents the concepts of solving of deep drawing process for bimetal elements of sheet materials. The inertia forces, plastic hardening behaviour of the deformed material and dynamic stress are utilized in the problems of plasticity. The experimental results and general conclusion are presented at the end of the paper.     

金属板材成形中拉深损伤模拟的两种求解方法

讨论用数值模拟预测板材成形中发生拉深损伤破坏的两种不同的求解方法。第一种是采用完全耦合的弹塑性破坯模型的动力显式数值方法。基于状态参量的不可逆热力学过程 ,完全耦合的本构方程考虑各向同性强化和拉深。这些已引入有限元软件ABAQUS/E用于对金属成形的模拟。在数值技术方面 ,隐式积分方法被用来对本构方程的局部时间积分 ,动力显式技术用于求解总体平衡方程。第二种方案是采用简化的损伤模型的方法 ,被称为逆法 (InveseApprch)。I.A被限定在考虑各向同性强化和损伤的塑性全量理论基础上的简单的本构关系。做比例加载和临界损伤达到以后的损伤饱和假定 ,可以得到损伤演化方程的封闭解。这两种损伤模型在编程中的实施采用两种方式 :计算中考虑或不考虑损伤作用 ,也就是耦合的或非耦合的计算。文中给出一些算例来说明每种损伤模型的优点     

简支深梁用和函数法的级数解答

引用和函数法求解弹性力学平面问题, 对简支深梁受三角形荷载作用时的应力进行了分析,同时给出了该问题的付立叶级数解答,该方法不仅将求解弹性力学的偏微分方程组解耦成非耦联的几个偏微分方程,而且其结果与传统的Airy应力函数得到的解答完全一致, 证明了该方法的正确性和适用性,该方法拓展了将经典的弹性力学解析法用于解决工程实际问题的空间。     

基于图像分析和深度学习的复合绝缘子憎水性分级

为了更加方便快捷地检测大量复合绝缘子憎水性等级,提出一种基于图像分析和深度学习的复合绝缘子憎水性分级方法。首先为提高图像对比度,对复合绝缘子憎水性图像进行灰度化和图像增强处理;其次利用图像分析技术和U-Net网络提取水珠轮廓,得到水珠轮廓图像;接着引入深度卷积神经网络,将这些水珠轮廓图作为神经网络的输入,以相应的憎水性等级作为输出向量,训练网络得到分级模型;最后将分级模型用于憎水性分级,得到分级结果。实验结果表明:该方法的分级结果已达到实际应用要求,水珠轮廓提取的精度达到了92.96%,分级准确率达到了90.2%,预测一幅图像的憎水性等级平均耗时0.1 s。     

基于长短期记忆网络的电网故障区域定位与故障传播路径推理

为了在发生故障后维持电力系统的安全稳定,有必要实现对故障区域的快速定位并确定故障冲击的传播路径,提出基于长短期记忆网络(LSTM)的故障区域定位和故障传播路径推理方法.首先,利用LSTM建立2个故障诊断模型分别实现在线检测故障时刻和确定故障区域;然后,通过计算故障点附近线路的端口供给能量确定故障冲击的传播路径;最后,以8机36节点电网为例进行算例验证,结果表明所提模型可在发生故障后短时间内检测到故障,给出故障区域和故障冲击传播的路径,且对噪声有较强的鲁棒性.