基于等几何分析的参数化曲梁结构非线性动力学降阶模型研究

模型降阶方法通过构造全阶模型的低阶近似模型有效提升了求解效率,同时也保留了原阶模型的主要信息从而保证了较高的计算精度。对于结构非线性以及参数化的模型降阶问题,常需要重复计算刚度矩阵等非线性以及参数依赖项,求解效率较低。此外,当参数化模型的几何形状改变时,往往需要重复进行CAD与有限元(FEA)模型的转换,这对于复杂结构较为耗时。等几何分析采用描述几何形状的非均匀有理B样条(NURBS)插值物理场,实现了CAD与FEA模型的统一,消除了两者之间繁琐的模型转换过程,其具有几何精确、高阶连续等优点,并且几何形状在细化过程中保持不变,非常适合于薄壁类结构的分析以及参数化表达。该研究结合等几何分析、特征正交分解(POD)以及离散经验插值方法 (DEIM)研究参数化的平面曲梁结构的非线性动力学模型降阶问题。数值结果表明,基于等几何分析的POD-DEIM降阶模型能够显著提升平面曲梁结构的非线性动力学计算效率,并且该模型对于参数化以及变载荷等情形显示出了良好的适应性。     

基于知识引导的自适应序列强化学习模型

序列推荐可形式化为马尔科夫决策过程,进而转化为深度强化学习问题,其关键是从用户序列中挖掘关键信息,如偏好漂移、序列之间的依赖关系等,但当前大多数基于深度强化学习的推荐系统都是以固定序列长度作为模型输入.受知识图谱的启发,文中设计基于知识引导的自适应序列强化学习模型.首先,利用知识图谱的实体关系,从完整的用户反馈序列中截取部分序列作为漂移序列,其中漂移序列中的项目集合表示用户的当前偏好,序列长度表示用户的偏好变化速度.然后,通过门控循环单元提取漂移序列中用户的偏好变化和项目之间的依赖关系,同时利用自注意力机制对关键的项目信息进行选择性关注.最后,设计复合奖励函数,包括折扣序列奖励和知识图谱奖励,用于缓解奖励稀疏的问题.在4个真实世界数据集上的实验表明,文中模型的推荐准确率较优.     

复杂环境下的YOLOv5s烟火检测方法

针对复杂环境中烟火检测困难,检测精度低的问题,提出一种改进YOLOv5s的烟火检测方法。首先,针对Neck层烟火特征融合不准确、效果差的问题,提出一种通道注意力机制—Scoring module,对每个通道的特征打分,选择分数高的特征进行特征融合,过滤分数低的特征,避免引入过多冗余特征,在增加少量的可训练参数情况下提高特征融合能力和检测精度;然后,为了提高Head层的预测能力,使用α-EIOU替换GIOU损失函数,提高预测框的定位和检测性能;最后,为了改善数据集数据量少、数据形式单一的问题,使用改进的Mosaic数据增强法扩充样本数据,提高模型泛化能力。实验结果表明,改进后的方法比原YOLOv5s平均精度均值高4.7%,检测速度为212 fps,同时在与其他改进型YOLOv5s的对比实验中表现较好。在环境复杂的图像中取得了较好的检测效果,可以满足复杂环境下的烟火检测任务。