1. <button id="qm3rj"><thead id="qm3rj"></thead></button>
      <samp id="qm3rj"></samp>
      <source id="qm3rj"><menu id="qm3rj"><pre id="qm3rj"></pre></menu></source>

      <video id="qm3rj"><code id="qm3rj"></code></video>

        1. <tt id="qm3rj"><track id="qm3rj"></track></tt>
            1. 2.765

              2022影響因子

              (CJCR)

              • 中文核心
              • EI
              • 中國科技核心
              • Scopus
              • CSCD
              • 英國科學(xué)文摘

              留言板

              尊敬的讀者、作者、審稿人, 關(guān)于本刊的投稿、審稿、編輯和出版的任何問(wèn)題, 您可以本頁(yè)添加留言。我們將盡快給您答復。謝謝您的支持!

              姓名
              郵箱
              手機號碼
              標題
              留言?xún)热?/th>
              驗證碼

              2024年  第50卷  第3期

              顯示方式:
              目錄
              目錄
              2024, 50(3).
              綜述
              生物集群能量高效利用機制研究綜述
              吳曉陽(yáng), 鄒堯, 付強, 賀威
              2024, 50(3): 431-449. doi: 10.16383/j.aas.c230161
              摘要:
              近年來(lái), 智能體集群的能量高效利用(Energy efficient utilization, EEU)機制已經(jīng)成為多智能體系統領(lǐng)域的熱點(diǎn)問(wèn)題, 如何使用有限的能量資源實(shí)現系統性能最優(yōu)是該問(wèn)題的核心研究?jì)热? 考慮到智能體集群與生物族群的相似性, 探究生物族群的能量高效利用機制對提升智能體集群節能性能有著(zhù)重要的研究?jì)r(jià)值. 為此, 首先介紹不同生物族群中蘊含的能量利用機制, 并根據節能方式的差異分成3類(lèi), 流體優(yōu)勢利用機制、流體阻礙克服機制和熱量交換與擴散機制; 然后對這些機制進(jìn)行總結與分析, 并提出一種具有一般性的能量高效利用模型; 最后, 探討能量高效利用機制在多智能體系統應用中面臨的挑戰和發(fā)展趨勢.
              模糊認知圖學(xué)習算法及應用綜述
              劉曉倩, 張英俊, 秦家虎, 李卓凡, 梁偉玲, 李宗溪
              2024, 50(3): 450-474. doi: 10.16383/j.aas.c230120
              摘要:
              模糊認知圖(Fuzzy cognitive map, FCM)是建立在認知圖和模糊集理論上的一類(lèi)代表性的軟計算理論, 兼具神經(jīng)網(wǎng)絡(luò )和模糊決策兩者的優(yōu)勢, 已成功地應用于復雜系統建模和時(shí)間序列分析等眾多領(lǐng)域. 學(xué)習權重矩陣是基于模糊認知圖建模的首要任務(wù), 是模糊認知圖研究領(lǐng)域的焦點(diǎn). 針對這一核心問(wèn)題, 首先, 全面綜述模糊認知圖的基本理論框架, 系統地總結近年來(lái)模糊認知圖的拓展模型. 其次, 歸納、總結和分析模糊認知圖學(xué)習算法的最新研究進(jìn)展, 對學(xué)習算法進(jìn)行重新定義和劃分, 深度闡述各類(lèi)學(xué)習算法的時(shí)間復雜度和優(yōu)缺點(diǎn). 然后, 對比分析各類(lèi)學(xué)習算法在不同科學(xué)領(lǐng)域的應用特點(diǎn)以及現有的模糊認知圖建模軟件工具. 最后, 討論學(xué)習算法未來(lái)潛在的研究方向和發(fā)展趨勢.
              論文與報告
              基于事件觸發(fā)的直流微電網(wǎng)無(wú)差拍預測控制
              王本斐, 張榮輝, 馮國棟, ManandharUjjal, 郭戈
              2024, 50(3): 475-485. doi: 10.16383/j.aas.c210585
              摘要:
              針對光伏(Photovoltaic, PV)?電池?超級電容直流微電網(wǎng)系統中光伏發(fā)電間歇性造成的功率失配問(wèn)題, 提出一種基于事件觸發(fā)的無(wú)差拍預測控制(Event-triggered deadbeat predictive control, ETDPC)方法, 以實(shí)現有效的能量管理. ETDPC方法結合事件觸發(fā)控制策略和無(wú)差拍預測控制策略(Deadbeat predictive control, DPC)的優(yōu)點(diǎn), 根據微電網(wǎng)的拓撲結構構建狀態(tài)空間模型, 用于設計適用于微電網(wǎng)能量管理的觸發(fā)條件: 當ETDPC的觸發(fā)條件滿(mǎn)足時(shí), ETDPC中無(wú)差拍預測控制模塊被激活, 可以在一個(gè)控制周期內產(chǎn)生最優(yōu)控制信號, 實(shí)現對于擾動(dòng)的快速響應, 減小母線(xiàn)電壓紋波; 當系統狀態(tài)不滿(mǎn)足ETDPC中的觸發(fā)條件時(shí), 無(wú)差拍預測控制模塊被掛起, 從而消除非必要運算, 以減輕實(shí)現能量管理的運算負擔. 因此, 對于電池?超級電容器混合儲能系統(Hybrid energy storage system, HESS), ETDPC能夠緩解間歇性光伏發(fā)電與負荷需求之間的功率失衡, 以穩定母線(xiàn)電壓. 最后, 數字仿真和硬件在環(huán)(Hardware-in-loop, HIL)實(shí)驗結果表明, 相較于傳統無(wú)差拍控制方法, 運算負擔減小了50.63%, 母線(xiàn)電壓紋波小于0.73%, 驗證了ETDPC方法的有效性與性能優(yōu)勢, 為直流微電網(wǎng)的能量管理提供了一種參考.
              高超聲速變外形飛行器建模與固定時(shí)間預設性能控制
              曹承鈺, 李繁飆, 廖宇新, 殷澤陽(yáng), 桂衛華
              2024, 50(3): 486-504. doi: 10.16383/j.aas.c230240
              摘要:
              以一種折疊式高超聲速變外形飛行器(Hypersonic morphing vehicle, HMV)為研究對象, 綜合考慮變形引起的氣動(dòng)特性、動(dòng)力學(xué)特性的動(dòng)態(tài)變化和模型不確定性、外部干擾的影響, 開(kāi)展飛行器建模與固定時(shí)間預設性能控制方法研究. 首先, 建立高超聲速變外形飛行器的運動(dòng)模型和姿態(tài)控制模型; 然后, 采用固定時(shí)間干擾觀(guān)測器實(shí)現對模型不確定性和外部干擾構成的復合總擾動(dòng)的精確估計, 并設計一種新型固定時(shí)間預設性能函數以定量描述期望性能約束, 在此基礎上, 基于預設性能控制架構并結合動(dòng)態(tài)面控制技術(shù)設計預設性能姿態(tài)控制器, 利用Lyapunov穩定性理論證明閉環(huán)系統的固定時(shí)間穩定性; 最后, 通過(guò)數值仿真驗證所提出方法的有效性和魯棒性.
              可回收火箭大氣層內動(dòng)力下降的多階段魯棒優(yōu)化制導方法
              馮子鑫, 薛文超, 張冉, 齊洪勝
              2024, 50(3): 505-517. doi: 10.16383/j.aas.c230552
              摘要:
              針對大氣層內可回收火箭的動(dòng)力下降問(wèn)題, 提出一種多階段的魯棒優(yōu)化(Robust optimization, RO)方法. 由于大氣層內存在未知風(fēng)場(chǎng), 如何在火箭下降段考慮這種不確定性具有十分重要的意義. 首先, 建立一個(gè)關(guān)于高度的不確定風(fēng)場(chǎng)模型, 在該風(fēng)場(chǎng)下給出火箭動(dòng)力下降的魯棒最優(yōu)控制問(wèn)題. 為了求解該問(wèn)題, 使用一種對不等式約束采取一階近似并將一階項作為安全裕量加入約束的魯棒優(yōu)化方法, 得到一個(gè)可以求解的單階段魯棒優(yōu)化算法. 其次, 定量給出安全裕量的上界, 基于該上界提出一種多階段魯棒優(yōu)化算法, 避免單階段魯棒優(yōu)化算法中安全裕量可能過(guò)大導致無(wú)法求解的問(wèn)題. 最后, 通過(guò)仿真對比各個(gè)算法在多個(gè)實(shí)際風(fēng)場(chǎng)下的性能, 結果表明所提出的多階段魯棒優(yōu)化方法同時(shí)具有較高的落點(diǎn)精度和對于不同風(fēng)場(chǎng)的魯棒性.
              基于數據驅動(dòng)的冗余機器人末端執行器位姿控制方案
              金龍, 張凡, 劉佰陽(yáng), 鄭宇
              2024, 50(3): 518-526. doi: 10.16383/j.aas.c230273
              摘要:
              模型未知的冗余機器人執行任務(wù)的過(guò)程中會(huì )產(chǎn)生較大的控制誤差, 其末端執行器的位置與姿態(tài)也需要針對不同任務(wù)進(jìn)行修正. 為解決該問(wèn)題, 提出一種基于數據驅動(dòng)的冗余機器人末端執行器位置與姿態(tài)控制方案. 該方案使用在線(xiàn)學(xué)習技術(shù), 能夠應用于模型未知的冗余機器人控制. 同時(shí)引入四元數表示法將控制機器人末端執行器姿態(tài)問(wèn)題轉化為基于四元數表示的控制方法. 隨后, 設計一種神經(jīng)動(dòng)力學(xué)求解器對所提方案進(jìn)行求解. 相關(guān)的理論分析、仿真及對比體現了所提方案的可行性、有效性與新穎性.
              基于深層卷積隨機配置網(wǎng)絡(luò )的電熔鎂爐工況識別方法研究
              李帷韜, 童倩倩, 王殿輝, 吳高昌
              2024, 50(3): 527-543. doi: 10.16383/j.aas.c230272
              摘要:
              為解決電熔鎂爐工況識別模型泛化能力和可解釋性弱的缺陷, 提出一種基于深層卷積隨機配置網(wǎng)絡(luò )(Deep convolutional stochastic configuration networks, DCSCN)的可解釋性電熔鎂爐異常工況識別方法. 首先, 基于監督學(xué)習機制生成具有物理含義的高斯差分卷積核, 采用增量式方法構建深層卷積神經(jīng)網(wǎng)絡(luò )(Deep convolutional neural network, DCNN), 確保識別誤差逐級收斂, 避免反向傳播算法迭代尋優(yōu)卷積核參數的過(guò)程. 定義通道特征圖獨立系數獲取電熔鎂爐特征類(lèi)激活映射圖的可視化結果, 定義可解釋性可信度評測指標, 自適應調節深層卷積隨機配置網(wǎng)絡(luò )層級, 對不可信樣本進(jìn)行再認知以獲取最優(yōu)工況識別結果. 實(shí)驗結果表明, 所提方法較其他方法具有更優(yōu)的識別精度和可解釋性.
              面向復雜物流配送場(chǎng)景的車(chē)輛路徑規劃多任務(wù)輔助進(jìn)化算法
              李堅強, 蔡俊創(chuàng ), 孫濤, 朱慶靈, 林秋鎮
              2024, 50(3): 544-559. doi: 10.16383/j.aas.c230043
              摘要:
              在現代社會(huì )中, 復雜物流配送場(chǎng)景的車(chē)輛路徑規劃問(wèn)題(Vehicle routing problem, VRP)一般帶有時(shí)間窗約束且需要提供同時(shí)取送貨的服務(wù). 這種復雜物流配送場(chǎng)景的車(chē)輛路徑規劃問(wèn)題是NP-難問(wèn)題. 當其規模逐漸增大時(shí), 一般的數學(xué)規劃方法難以求解, 通常使用啟發(fā)式方法在限定時(shí)間內求得較優(yōu)解. 然而, 傳統的啟發(fā)式方法從原大規模問(wèn)題直接開(kāi)始搜索, 無(wú)法利用先前相關(guān)的優(yōu)化知識, 導致收斂速度較慢. 因此, 提出面向復雜物流配送場(chǎng)景的車(chē)輛路徑規劃多任務(wù)輔助進(jìn)化算法(Multitask-based assisted evolutionary algorithm, MBEA), 通過(guò)使用遷移優(yōu)化方法加快算法收斂速度, 其主要思想是通過(guò)構造多個(gè)簡(jiǎn)單且相似的子任務(wù)用于輔助優(yōu)化原大規模問(wèn)題. 首先從原大規模問(wèn)題中隨機選擇一部分客戶(hù)訂單用于構建多個(gè)不同的相似優(yōu)化子任務(wù), 然后使用進(jìn)化多任務(wù)(Evolutional multitasking, EMT)方法用于生成原大規模問(wèn)題和優(yōu)化子任務(wù)的候選解. 由于優(yōu)化子任務(wù)相對簡(jiǎn)單且與原大規模問(wèn)題相似, 其搜索得到的路徑特征可以通過(guò)任務(wù)之間的知識遷移輔助優(yōu)化原大規模問(wèn)題, 從而加快其求解速度. 最后, 提出的算法在京東物流公司快遞取送貨數據集上進(jìn)行驗證, 其路徑規劃效果優(yōu)于當前最新提出的路徑規劃算法.
              基于混合數據增強的MSWI過(guò)程燃燒狀態(tài)識別
              郭海濤, 湯健, 丁海旭, 喬俊飛
              2024, 50(3): 560-575. doi: 10.16383/j.aas.c210843
              摘要:
              國內城市固廢焚燒(Municipal solid waste incineration, MSWI)過(guò)程通常依靠運行專(zhuān)家觀(guān)察爐內火焰識別燃燒狀態(tài)后再結合自身經(jīng)驗修正控制策略以維持穩定燃燒, 存在智能化水平低、識別結果具有主觀(guān)性與隨意性等問(wèn)題. 由于MSWI過(guò)程的火焰圖像具有強污染、多噪聲等特性, 并且存在異常工況數據較為稀缺等問(wèn)題, 導致傳統目標識別方法難以適用. 對此, 提出一種基于混合數據增強的MSWI過(guò)程燃燒狀態(tài)識別方法. 首先, 結合領(lǐng)域專(zhuān)家經(jīng)驗與焚燒爐排結構對燃燒狀態(tài)進(jìn)行標定; 接著(zhù), 設計由粗調和精調兩級組成的深度卷積生成對抗網(wǎng)絡(luò )(Deep convolutional generative adversarial network, DCGAN)以獲取多工況火焰圖像; 然后, 采用弗雷歇距離(Fréchet inception distance, FID)對生成式樣本進(jìn)行自適應選擇; 最后, 通過(guò)非生成式數據增強對樣本進(jìn)行再次擴充, 獲得混合增強數據構建卷積神經(jīng)網(wǎng)絡(luò )以識別燃燒狀態(tài). 基于某MSWI電廠(chǎng)實(shí)際運行數據實(shí)驗, 表明該方法有效地提高了識別網(wǎng)絡(luò )的泛化性與魯棒性, 具有良好的識別精度.
              基于A(yíng)MOWOA的區域綜合能源系統運行優(yōu)化調度
              韓永明, 王新魯, 耿志強, 朱群雄, 畢帥, 張紅斌
              2024, 50(3): 576-588. doi: 10.16383/j.aas.c211146
              摘要:
              目前, 智能優(yōu)化算法已廣泛應用于工程優(yōu)化中, 在當前多能耦合與互補的能源發(fā)展趨勢下, 僅考慮系統經(jīng)濟指標的單目標優(yōu)化模式已經(jīng)不再適用于目前區域綜合能源系統(Integrated energy system, IES)的運行優(yōu)化調度, 需要研究一種多目標運行策略來(lái)解決區域綜合能源系統的運行優(yōu)化調度問(wèn)題. 首先綜合考慮經(jīng)濟與能源利用兩個(gè)指標并結合商業(yè)住宅區域的特性, 以系統日運行收益和一次能源利用率為優(yōu)化目標構建商業(yè)住宅區域綜合能源系統多目標運行優(yōu)化調度模型. 其次由于傳統多目標智能優(yōu)化算法缺乏一種最優(yōu)解綜合評價(jià)方法, 基于非支配排序以及擁擠度計算的多目標算法框架, 提出一種利用模糊一致矩陣選取全局最優(yōu)解的多目標鯨魚(yú)優(yōu)化算法(A multi-objective whale optimization algorithm, AMOWOA), 并將提出算法對商住區域綜合能源系統多目標運行優(yōu)化調度模型進(jìn)行求解. 最后以華東某商業(yè)住宅區域綜合能源系統為例進(jìn)行仿真, 驗證了該方法的有效性和可行性.
              非平衡概念漂移數據流主動(dòng)學(xué)習方法
              李艷紅, 王甜甜, 王素格, 李德玉
              2024, 50(3): 589-606. doi: 10.16383/j.aas.c230233
              摘要:
              數據流分類(lèi)研究在開(kāi)放、動(dòng)態(tài)環(huán)境中如何提供更可靠的數據驅動(dòng)預測模型, 關(guān)鍵在于從實(shí)時(shí)到達且不斷變化的數據流中檢測并適應概念漂移. 目前, 為檢測概念漂移和更新分類(lèi)模型, 數據流分類(lèi)方法通常假設所有樣本的標簽都是已知的, 這一假設在真實(shí)場(chǎng)景下是不現實(shí)的. 此外, 真實(shí)數據流可能表現出較高且不斷變化的類(lèi)不平衡比率, 會(huì )進(jìn)一步增加數據流分類(lèi)任務(wù)的復雜性. 為此, 提出一種非平衡概念漂移數據流主動(dòng)學(xué)習方法(Active learning method for imbalanced concept drift data stream, ALM-ICDDS). 定義基于多預測概率的樣本預測確定性度量, 提出邊緣閾值矩陣的自適應調整方法, 使得標簽查詢(xún)策略適用于類(lèi)別數較多的非平衡數據流; 提出基于記憶強度的樣本替換策略, 將難區分、少數類(lèi)樣本和代表當前數據分布的樣本保存在記憶窗口中, 提升新基分類(lèi)器的分類(lèi)性能; 定義基于分類(lèi)精度的基分類(lèi)器重要性評價(jià)及更新方法, 實(shí)現漂移后的集成分類(lèi)器更新. 在7個(gè)合成數據流和3個(gè)真實(shí)數據流上的對比實(shí)驗表明, 提出的非平衡概念漂移數據流主動(dòng)學(xué)習方法的分類(lèi)性能優(yōu)于6種概念漂移數據流學(xué)習方法.
              基于漸進(jìn)高斯濾波融合的多視角人體姿態(tài)估計
              楊旭升, 吳江宇, 胡佛, 張文安
              2024, 50(3): 607-616. doi: 10.16383/j.aas.c230316
              摘要:
              針對視覺(jué)遮擋引起的人體姿態(tài)估計(Human pose estimation, HPE)性能下降問(wèn)題, 提出基于漸進(jìn)高斯濾波(Progressive Gaussian filtering, PGF)融合的人體姿態(tài)估計方法. 首先, 設計分層性能評估方法對多視覺(jué)量測進(jìn)行分類(lèi)處理, 以適應視覺(jué)遮擋引起的量測不確定性問(wèn)題. 其次, 構建分布式漸進(jìn)貝葉斯濾波融合框架, 以及設計一種分層分類(lèi)融合估計方法來(lái)提升復雜量測融合的魯棒性和準確性. 特別地, 針對量測統計特性變化問(wèn)題, 利用局部估計間的交互信息來(lái)引導漸進(jìn)量測更新, 從而隱式地補償量測不確定性. 最后, 仿真與實(shí)驗結果表明, 相比于現有的方法, 所提的人體姿態(tài)估計方法具有更高的準確性和魯棒性.
              基于改進(jìn)艦尾流模型和多層耦合分析的機載雷達測量建模
              葛泉波, 王遠亮, 李宏
              2024, 50(3): 617-639. doi: 10.16383/j.aas.c220815
              摘要:
              為提高復雜海洋環(huán)境中無(wú)人艦載機(Unmanned carrier-based aircraft, UCA)自動(dòng)著(zhù)艦時(shí)導航定位的準確性, 研究艦尾流對機載雷達測量過(guò)程的動(dòng)態(tài)影響問(wèn)題, 建立一種基于多層級耦合性分析的測量影響動(dòng)態(tài)建模分析方法. 首先, 利用直接分解法和前向差分法建立一種基于離散化狀態(tài)空間的時(shí)變艦尾流模型, 以克服傳統傳遞函數方法存在的局限性; 其次, 基于艦尾流各分量均與飛機飛行速度相關(guān)的客觀(guān)事實(shí), 通過(guò)在時(shí)變系統中考慮艦尾流分量間的相互作用關(guān)系來(lái)構建一種更符合實(shí)際系統特征的分量自耦合艦尾流模型; 緊接著(zhù), 采用UCA姿態(tài)角變化能夠改變坐標轉換矩陣的思想, 研究艦尾流與UCA位姿變化間的耦合聯(lián)系, 提出一種準確性更高的艦尾流對UCA位姿的深度影響模型; 然后, 以航母姿態(tài)變化對艦載雷達測量結果的影響模型為基礎, 通過(guò)考慮本研究場(chǎng)景的內在特性, 建立UCA姿態(tài)變化對雷達測量結果的影響模型分析方法; 緊接著(zhù), 采用示意圖方式獲得位移變化對機載雷達測量結果的影響模型; 最后, 針對艦船受海洋大氣(風(fēng)、浪、流)干擾而出現失速這一現象, 建立實(shí)際海洋環(huán)境中艦尾流對機載雷達測量結果的非線(xiàn)性非高斯影響分析模型. 仿真實(shí)驗研究驗證了上述模型分析方法的有效性和優(yōu)越性.
              基于多尺度流模型的視覺(jué)異常檢測研究
              毛國君, 吳星臻, 邢樹(shù)禮
              2024, 50(3): 640-648. doi: 10.16383/j.aas.c230476
              摘要:
              針對現有異常檢測(Anomaly detection, AD)模型計算效率低和檢測性能差等問(wèn)題, 提出一種多尺度流模型(Multi-scale normalizing flow, MS-Flow), 通過(guò)多尺度交叉融合實(shí)現高效的視覺(jué)圖像異常識別. 具體地, 在流模型(Normalizing flow, NF)內部構建層級式的多尺度架構來(lái)避免多通道數據的冗余交叉計算, 同時(shí)保證網(wǎng)絡(luò )的多尺度表達能力. 此外, 設計的層級感知模塊通過(guò)逐層級的多粒度特征融合, 在細粒度級別表達多尺度特征, 有效地提高分布估計的精確性. 該方法是一個(gè)平衡檢測精度與計算效率的解決方案. 在兩個(gè)公開(kāi)數據集上的實(shí)驗表明, 所提方法相較于以往的檢測模型能夠獲得更高的檢測精度(在MVTec AD和BTAD數據集上的平均AUROC (Area under the receiver operating characteristics)分別為99.7%和96.0%), 同時(shí)具有更高的計算效率, 浮點(diǎn)運算次數(Floating point operations, FLOPs)約為CS-Flow的1/8.
              1. <button id="qm3rj"><thead id="qm3rj"></thead></button>
                <samp id="qm3rj"></samp>
                <source id="qm3rj"><menu id="qm3rj"><pre id="qm3rj"></pre></menu></source>

                <video id="qm3rj"><code id="qm3rj"></code></video>

                  1. <tt id="qm3rj"><track id="qm3rj"></track></tt>
                      1. 亚洲第一网址_国产国产人精品视频69_久久久久精品视频_国产精品第九页