基于CUDA技术的海量电力负荷曲线聚类算法

随着用电信息采集、负荷控制等系统中用户负荷数据的爆炸式增长,传统计算框架与方法在处理海量用户负荷聚类、开展负荷特性分析等业务时面临着巨大的计算压力。着眼于计算精度日益提高、计算能力日渐强大的图形处理单元(graphic process unit,GPU),基于Nvidia的统一计算设备架构(compute uniform device architecture,CUDA)提出了一种负荷曲线快速并行K-means聚类算法,采用距离计算并行化、曲线数统计并行化、线程块分配合理化等多个并行加速策略,极大地提升了用户负荷曲线的聚类速度。多个测试算例表明,文中提出的基于CUDA的K-means电力负荷曲线聚类算法加速比高,适应性强,是解决海量负荷曲线聚类问题的好方法。     

一种基于线面包含关系的GML空间聚类算法

针对目前大多数空间聚类算法主要是针对关系数据且没有考虑空间拓扑关系相似性的问题,对基于空间拓扑关系的空间聚类方法进行研究.提出了一种基于线面包含关系的GML(geography markup language)空间聚类算法SCGML-LRI(spatial clustering in GML data based on line region inclusion relations).算法将GML文档中线面空间对象的包含关系作为空间对象相似性度量准则,并用CLOPE算法对空间对象进行聚类.实验结果表明:算法SCGML-LRI能实现GML数据的空间聚类,并具有较高的效率.     

Phase partition and KPI-related process monitoring for batch processes using a novel canonical correlation analysis strategy

Key performance indicators (KPI)-related process monitoring has been of great significance to ensure product quality and economic benefits for batch processes. Considering that different phases exhibit different characteristics, one of the key issues is how to partition the whole batch process into different phases and characterize them separately by multiple phase models. In order to model and monitor batch processes more accurately and efficiently, a novel canonical correlation analysis (CCA) strategy is proposed in this paper. The phase partition algorithm is designed based on the joint canonical variable matrix (JCVM). Different from previous methods, it considers the time sequence of operation phases and can distinguish the phase switches from dynamics anomalies. Using this algorithm, phases are separated in order from a KPI-related perspective, revealing high correlation among variables. After phase partition, a novel multi-phase local neighbourhood standardization CAA (MPLNSCCA) method focusing on KPI is set up for online monitoring, which could further address the misclassification problems. The advantages of the proposed method are illustrated by two case studies, a penicillin simulation platform and an industrial application of Escherichia coli fermentation, respectively.     

下行床气粒流动行为的Eulerian-Lagrangian模拟

采用计算流体力学和离散单元方法耦合模型（CFD-DEM）对二维下行床内的气粒流动行为进行了全床数值模拟。模拟结果展示了下行床典型操作条件下特有的气固动态流动结构：沿流动方向存在明显的入口控制区、过渡区和（完全）发展区;颗粒聚团并不是出现在浓度相对较高的入口区,而是在过渡区之后的发展过程中逐渐形成较多的、松散的动态聚团结构。下行床发展段呈现典型的近壁浓环结构,这与实验结果基本一致。考察了颗粒之间以及颗粒与壁面之间的碰撞参数对下行床内气固流动结构的影响,发现完全弹性碰撞颗粒体系在入口区呈现最快速的颗粒分散;而对本文研究的操作条件,颗粒碰撞参数对发展段时均流体力学行为只产生轻微的影响。     

一种用于神经网络样本划分的自聚类算法

建立神经网络模型时 ,能否合理地划分训练样本和检验样本直接关系到建模的效率 .在很多实际应用中 ,检验样本是随机抽取的 .本文提出了一种基于欧氏距离的自聚类算法 ,根据样本的空间分布情况对其自动分类 ,然后确定检验样本 .算例研究表明 ,应用此算法能够改善检验效果 ,从而提高建模效率 .     

基于无人机巡线图像的地面油气管道识别方法

限于成本,无人机搭载的任务设备主要为普通数码相机,采集的是可见光图像,针对此种情况,提出了一种利用彩色分割及形状检测识别油气管道的方法,首先需要设定感兴趣区域ROI,计算出协方差矩阵C和均值m,并使用欧氏距离、马氏距离对图像进行彩色聚类分割,然后对分割图像填色后进行边缘检测,最后根据边缘图像进行霍夫变换来检测直线特征,实现复杂环境下对管道位置的自动定位.测试图像库包含300幅图像,识别准确率达到80.3%,实验结果表明,在色彩差异较大背景中,基于颜色和形状特征的识别方法能有效进行管线跟踪定位.     

FP-SSA框架中Au_3Cu型有序合金相的特征原子势能配分函数

介绍以第一原理合金电子理论为基础的系统合金科学(FP-SSA)框架中Au3Cu型有序合金的特征原子势能(CAPE)配分函数。主要创新内容如下:以基本原子团{AiA u·[(I-i)Au,iCu]}和{AiC u·[(I-i)Au,iCu]}序列的中心特征原子Ai Au和AiC u为结构单元序列,替代原子对和原子团,建立了合金相的特征原子排列模型;以配位原子团[(I-i)Au,iCu]对作用于特征原子势场影响的方式替代原子对能量相互作用和原子团能量相互作用方式,以特征原子势能能级代替原子对能级和原子团能级,建立了合金相的特征原子势能相加定律,计算合金相及其组元的平均势能;在特征原子排列的简并因数与特征原子势能能级一致的条件下建立CAPE配分函数和计算组态熵。此函数揭示了当今流行的固溶体理论的不足之处,为建立特征Gibbs能配分函数奠定了基础。     

Q＆P工艺对0.3C-1.35Mn-1.30Si钢力学性能的影响

研究了不同Q＆P工艺参数对0.3C-1.35Mn-1.30Si钢力学性能的影响。结果表明：淬火温度主要影响马氏体的含量;配分温度与配分时间影响碳配分的程度,最终影响残留奥氏体的含量。微观组织的含量影响力学性能。伸长率的变化趋势与残留奥氏体量的变化趋势基本一致,Q＆P钢的塑性主要与残留奥氏体的含量有关,残留奥氏体中的含碳量为1.2%～1.3%。     

反舰导弹目标分群的位置特征标准化方法研究

针对海上目标分群问题,介绍了反舰导弹对海上目标分群的两种常用的特征空间坐标及其特征标准化方法,提出了用相关系数、聚类树图和学生残差对海上目标分群进行聚类判定和综合检验的方法．以四种典型目标编队为例,运用Mablab7．0进行了层次化聚类编程计算和分析．结果表明,基于大地直角坐标的特征空间描述方式更有助于海上目标的数据聚类．     

多维灰聚类分析在熟肉制品安全风险评估中的应用

以某省2011年餐饮服务食品安全抽检数据为基础,采用灰理论对当年餐饮服务环节熟肉制品的食品安全风险程度做出多维灰聚类评估。评估结果显示抽检中不合格样品大多属于低风险类,可以得出当年熟肉制品的食品安全状况属于安全可控状态。该法更加明确了食品安全风险的等级,加强了监管餐饮环节食品安全的有效性,也为今后评估食品安全风险等级提供了一种新的研究方法。