一类基于元胞自动机的传染病模型的仿真

研究传染病优化控制建模,为了解决早期监测预警体系,考虑到传染病不能统一处理的各种影响因素,针对未能很好的体现疾病传播过程中人的行为特征的影响,从病毒在群体内传播行为的多样性特点出发,借助于网络病毒生长过程及拓扑结构,提出构造新的元胞自动机模型,对病毒在人群接触网络内的传播过程进行了仿真,并在此基础上研究了疫苗注射比率、病毒变异频率、个体反应时间对病毒传播的影响,同时针对病毒的传播特点提出了有效的防治策略.以甲型HIN1为实例,实验结果表明,元胞自动机模型能较好地仿真病毒的传播过程,在疾病预防和控制方面有较高的应用价值.     

截面线特征直接提取的离散曲率法

特征提取是逆向工程的重要步骤,其中截面线特征点的弱化是需要解决的关键问题.提出用离散曲率法提取特征点,曲率表达式包含了高斯核函数曲线,选用了合适的离散尺度因子.根据一阶和二阶离散曲率曲线的局部极值点,确定出截面线特征点集,进行特征点的融合,输出最终的截面线特征点集.通过与文献算法的输出进行比较,表明本算法提取的截面线特征点不容易有漏检和误检,能最大限度地与原有形状特征元保持一致.仿真输出实例证实了本算法的适用性和有效性.     

基于CITAF-HAF的立方调频信号参数估计

针对立方调频（Cubic Frequency Modulated,CFM）信号的参数估计问题,提出了一种基于高阶模糊函数（High order Ambiguity Function,HAF）和相参积累三阶自相关函数（Coherently Integrated Trilinear Autocorrelation Function,CITAF）的参数估计方法。利用HAF将立方相位信号降阶为二次调频（Quadratic Frequency Modulated,QFM）信号,再利用CITAF完成参数估计。由于CITAF能够在时域和时延域完成信号能量的二维相参积累,其实现过程利用复乘、傅里叶变换和加法操作即可完成,因此该方法能够提高参数估计的分辨率和抗噪声干扰能力,并保持较低的计算量。实验结果证实了该算法的有效性和性能上的优越性。     

世伟洛克收购RHPS B.V.

<正> 世伟洛克公司近期对外宣布,作为策略的一部分其已收购RHPS B.V.公司,此收购扩展了世伟洛克公司为全球流体系统技术客户提供的产品和服务范围。RHPS公司是一家高质量调压阀产品制造商,其产品主要用于石油和天然气、化工/石化、替代燃料、半导体、生物制药和其他高要求的应用领域。有关收购的具体细节并无透露。"对RHPS团队能加入世伟洛克我们表示高兴和欢迎,"世伟洛克总裁兼首席执行官Arthur F. Anton先生说     

时序数据的随机子空间模型辨识和一步预测

时序数据是指按先后顺序排列的一组随机数据。在系统辨识中,一组时序数据对应于随机子空间模型的输出响应。本文依照工程实际,用随机子空间辨识技术来解决时序数据的参数化建模和预测问题,提出了用改进的Positive算法进行参数识别和一步预测,来替代原有的AR参数化建模和预测技术。最后通过一组丝杆误差时序数据,对算法作了仿真和验证。     

RH精炼真空槽设备的研究

针对某钢厂RH精炼装置中真空槽上口处密封件更换频繁、真空槽下料口隔热接头翻板阀回转轴经常卡死造成处理中断等问题,本文提出真空槽上口处密封件阶梯形支口结构方式和带冷却的截止型隔热接头的改进方案。改造后提高了RH设备的稳定性,大大降低了生产故障率,有效地节约生产和备件成本。     

考虑调峰与储能特性的抽蓄电站服务电网综合评价

在“双碳”总目标的引领下,新能源进入高速发展阶段,但其随机性和不稳定性给电网带来影响,需要配备大规模可灵活性调节的储能进行保障。抽水蓄能作为电力系统的主要调节电源,在促进新能源消纳、调峰、储能等方面发挥着重要作用;而综合评价抽蓄电站服务电网的能力,对于引导抽蓄电站合理运行和布局,以更好地发挥其作用具有重要意义。传统的抽水蓄能评价模型无法量化评价抽蓄的储能和促双碳的作用,该文提出了一种考虑调峰与储能特性的抽蓄电站服务电网综合评价方法。针对抽水蓄能调峰和储能的特点及其对双碳的促进作用,提出相关指标,建立抽蓄电站综合评价指标体系;由属性层次模型确定各层次指标的权重,引入物元可拓理论构建考虑调峰与储能特性的抽蓄电站服务电网综合评价模型;通过实例对所采用的综合评价模型进行验证分析。研究结果量化了抽蓄电站的储能和促双碳作用,可为“双碳”背景下抽水蓄能的综合评价提供支撑。     

中国通用电缆宣布在中国成立第十个全球研发中心

全球三大线缆制造商之一的美国通用电缆公司日前宣布，将在中国成立第十个全球研发中心。中心总面积近千平方米，预计将于2014年第四季度落成。     

基于知识蒸馏的目标检测模型增量深度学习方法

随着万物互联时代的到来,具备目标检测能力的物联网设备数量呈爆炸式增长。基于此,网络边缘产生了海量的实时数据,具有低时延、低带宽成本和高安全性特点的边缘计算随之成为一种新兴的计算模式。传统的深度学习方法通常假定在模型训练前所有数据已完全具备,然而实际的边缘计算场景中大量的新数据及类别往往随时间逐渐产生和获得。为了在训练数据成批积累和更新的条件下在资源有限的边缘设备上高效率地完成目标检测任务,本文提出了基于多中间层知识蒸馏的增量学习方法（Incremental Learning method based on knowledge distillation of Multiple Intermediate Layers,ILMIL）。首先为了能够适当地保留原有数据中的知识,提出了包含多个网络中间层知识的蒸馏指标（Multi-layer Feature map、RPN and RCN Knowledge,MFRRK）。ILMIL将教师模型和学生模型的中间层特征的差异加入模型训练,相比于现有的基于知识蒸馏方法的增量学习,采用ILMIL方法训练的学生模型可以从教师模型的中间层学习到更多的旧类信息来缓解遗忘;其次ILMIL利用MFRRK蒸馏知识完成现有模型的增量训练,避免训练使用多个独立模型带来的资源开销;为进一步降低模型复杂度以高效地在边缘设备上部署推理,可在知识蒸馏前进行剪枝操作来压缩现有模型。通过在不同场景和条件下的实验对比,本文方法可在有效降低模型计算和存储开销的前提下,缓解已有知识的灾难性遗忘现象,并维持可接受的推理精度。     

由Bauma China想到的

<正> 2010年,全球经济复苏的趋势已经明朗,经过休整的各个行业都开始活跃起来,工程机械也不例外。2008年,经济危机来势汹汹,中国政府为了加快国内基础设施建设,拉动内需,改善经济,大胆提出了4万亿的投资计划,这无疑给中国经济注入了一支强心剂。分析这4万亿的投资方向,我们不难发现其对于中国工程机械行业今后发展的重大意义。正是这