三维姿态监测技术在地震测井中的应用

在地震测井施工中,为监测地下检波器的运动特征,需应用三维监测技术。首先从映射几何的角度深入分析OpenGL的三维监测技术,建立OpenGL虚拟场景,然后分析检波器模型内外方位元素的表达,利用三维绘图技术建立检波器的立体模型,最后对所获取的坐标数据进行快速的三维绘图技术处理,形成实时可靠的立体模拟界面。实验结果表明:检波器的方位角模拟精确度能保证在1°以内,满足后期简化数据处理的要求。该技术应用在地震测井中时,具有远程、可靠、无损检测等特点,为操作人员提供直观可靠的观测决策平台,并且结合实际需求能够扩展多种功能模块,可广泛应用于测井过程中方位数据的获取。     

一种非对称6-PSS并联机构的工作空间和灵活度研究

针对非对称并联机构在某些方面有着特殊的应用但研究较少的现状，对一种非对称6-PSS并联机构工作空间和灵活度进行了研究，得到了其工作空间和灵活度随结构参数和姿态要求的变化规律，得出此机构可以应用在y轴方向工作空间要求大，而绕x轴转角要求不高的场合。为进一步扩大并联机构的实际应用提供了依据。     

陶瓷与金属特种焊接技术的开发与应用

介绍了近年来发展的陶瓷与金属的焊接技术，并对其焊接工艺特点及应用情况进行了分析与总结。     

结合双粒子群和K-means的混合文本聚类算法

传统K-means算法对初始聚类中心选择较敏感, 结果有可能收敛于一般次优解, 为些提出一种结合双粒子群和K-means的混合文本聚类算法。设计了自调整惯性权值策略, 根据最优适应度值的变化率动态调整惯性权值。两子群分别采用基于不同惯性权值策略的粒子群算法进化, 子代间及子代与父代信息交流, 共享最优粒子, 替换最劣粒子, 完成进化, 该算法命名为双粒子群算法。将能平衡全局与局部搜索能力的双粒子群算法与高效的K-means算法结合, 每个粒子是一组聚类中心, 类内离散度之和的倒数是适应度函数, 用K-means算法优化新生粒子, 即为结合双粒子群和K-means的混合文本聚类算法。实验结果表明, 该算法相对于K-means、PSO等文本聚类算法具有更强鲁棒性, 聚类效果也有明显的改善。     

改进教与学优化算法的LQR控制器优化设计

为了快速有效地确定线性二次最优控制(linear quadratic regulator,LQR)问题中的加权矩阵Q和R,针对主动悬架LQR控制器权系数设计问题,提出一种改进的教与学优化算法进行LQR优化设计。算法对基本教与学优化算法中的"教"与"学"阶段进行了进一步的改进,同时提出一种"自我学习"策略。通过仿真实验表明,和基本教与学算法、粒子群算法、遗传算法相比,本文算法在对主动悬架LQR控制器优化时,具有收敛速度快,求解精度高和稳定性强等优势。     

虚拟组合夹具站的建站理论

组合夹具是制造业中重要的工艺装备，它能影响工件生产的质量，为了提高了设计质量和效率，构造了一种方便组合夹具设计和管理的虚拟组合夹具站系统。该系统以asp．net为平台，在此平台上建立了基于SolidWorks的组合夹具设计模块和利用SQL Server2000创建的组合夹具及元部件信息管理模块。同时，还借助Visual C＋＋6．0和Solid Works的API函数对SolidWorks2000进行了二次开发，使设计人员能够方便、快捷的完成组合夹具的设计。     

李仙江流域径流特性分析

分析了李仙江流域内水文站观测资料,利用参证站法和面积综合指数法分别对该流域年平均流量和径流量进行了计算。结果表明:李仙江流域径流来源于降水,径流量与降水量的年际变化及年内分配是相应的,总的特点是年际变化不大,但年内分配不均。     

基于OMA DRM的域管理方案研究

数字版权管理(Digital Rights Management,DRM)中的家庭域管理使得属于同一个域的多个DRM设备可以共享DRM内容,为保证域内共享内容的安全,并实现对域以及域内设备的管理,需要建立一套完整、安全的域管理方案.本文基于OMA DRM标准,设计一套完整的域管理方案,提出入域审核机制和域内角色访问控制机制,增强了域管理的安全性.     

平台级实体虚拟兵力仿真及应用研究

为构建虚拟兵力模型体系及其仿真系统,开展对抗式模拟训练与推演,对面向平台级实体虚拟兵力仿真及应用相关技术进行了研究。对计算机生成兵力系统与仿真平台、平台级实体虚拟兵力模型建模方法进行了梳理。对构建基于云仿真的虚兵服务系统相关技术路线、混合式仿真系统形态下兵力成体系仿真中的分布交互技术进行了总结,提出了基于混合体系结构的孪生战场环境仿真架构。最后对该领域存在的问题进行了归纳,为构建虚拟兵力模型体系以及虚拟兵力仿真系统提供方向和指引。     

基于ISTA-LSTM模型的间歇过程质量预测

为了考虑过程变量与质量变量的相关性,解决间歇过程的时序性和动态特性导致预测精度不高的问题,提出一种基于改进时空注意力-长短时记忆神经网络(improved spatial and temporal attention long short-term memory,ISTA-LSTM)的模型进行间歇过程质量预测.首先,对间歇过程的三维数据按变量方向展开成二维矩阵,对二维数据采用Min-max方法归一化;然后,使用偏最小二乘(PLS)方法对原始数据降维,提取数据的特征信息,基于时间注意力和空间注意力构建编码-解码器结构的双层LSTM网络,利用注意力机制自适应地学习神经网络参数,关注每一个过程变量对质量变量的重要性并分配相应的注意值,从而保留所有输入的必要信息,采用带交叉验证的网格搜索算法对预测模型进行超参数寻优,并建立预测模型;最后,在青霉素发酵仿真平台上进行实验验证,实验结果验证了所提模型对间歇过程质量预测的可行性和有效性.