新葡京娱乐场-大陆娱乐场开户注册

本發明公開了一種基于應用性能損失分析的數據中心功率配給 方法，數據中心管理員通過廠商或實驗室實測獲得服務器機型的 CPU 使用率和功率對應關系的配置信息，服務器中的監控模塊提取 CPU 使 用率數據并上報給中心數據庫，數據分析模塊抽取中心數據庫中的 CPU 使用率數據，并比照服務器配置信息，分析計算服務器在任意功 率配給下的應用性能損失值，計算完成后，數據分析模塊生成功率配 給調整指導單，用以指導數據中心管理員制定服

本發明公開一種基于云技術的商品溯源及消費流向統計分析方法及系統，本發明中采用所述云計算平臺與云計算終端相互協作的云技術架構，由所述云計算平臺負責億級加密二維碼的編碼、壓縮、加密、生成、激活、賦值及管理，并為消費者提供商品溯源服務，為企業提供消費流向統計分析服務；所述云計算終端負責賦予商品加密二維碼標識，本發明利用云技術強大的計算能力和性能，以及方便的

本發明公開一種基于云技術的商品溯源及消費流向統計分析方法及系統，本發明中采用所述云計算平臺與云計算終端相互協作的云技術架構，由所述云計算平臺負責億級加密二維碼的編碼、壓縮、加密、生成、激活、賦值及管理，并為消費者提供商品溯源服務，為企業提供消費流向統計分析服務；所述云計算終端負責賦予商品加密二維碼標識，本發明利用云技術強大的計算能力和性能，以及方便的

近日，我校數學與統計學學院劉磊教授與上海交通大學朱苗苗教授合作的論文Asymptotic analysis for Sacks-Uhlenbeck$\alpha$-harmonic maps from degenerating Riemann surfaces被Memoirs of the American Mathematical Society接收發表。

本發明提供基于豐度顯著性分析的高光譜圖像解混方法及系統，包括建立待處理的高光譜遙感圖像 的端元光譜庫；用基于稀疏回歸的混合像元分解方法對每個像元進行初步混合像元分解并按照豐度值的 大小降序排列，對排序后的豐度序列進行顯著性分析，得到顯著性豐度的臨界值，然后根據預設的顯著 性豐度閾值進行判斷組成該像元的稀疏表示端元子集；最后采用豐度約束的最小二乘法再次進行混合像 元分解，將結果作為最終的混合像元分解結果。本發明可以得到更為稀疏和準確的像元表示端元

一種人行橫道線自動檢測分析方法及系統，包括輸入街景的影像，將影像分為訓練組和測試組，利 用訓練組訓練用于檢測人行橫道線的分類器；例如分類器對測試組影像進行人行橫道線的檢測識別，通 過后期處理排除錯誤檢測；利用分類器對訓練組影像進行人行橫道線的檢測識別，并通過后期處理排除 錯誤檢測；根據步驟 4 所得各測試組影像的識別結果和步驟 5 所得各訓練組影像的識別結果分別統計檢 測結果，包括對任一張測試組影像或訓練組影像，依照橫坐標值的不同，對每一個識別

本發明公開了一種光學元件支撐參數的確定方法，該方法具體為：確定保證面形精度的最少支撐點數為最優支撐點數，并計算支撐點的理想支撐力；依據理想支撐力定義多個不同支撐力波動水平，計算不同支撐力水平下隨機支撐力引起的鏡片面形變化；統計并檢驗鏡片面形畸變的隨機分布規律，建立不同支撐力水平與光學元件成像質量的映射關系；根據質量控制標準，確定支撐力的波動范圍。本發明基于蒙特卡洛方法，解析不均勻支撐力作用下鏡片面形畸變的隨機分布規律，分析不同隨機支撐力水平對光學元件成像質量的影響，從而確定合理的支撐力波動范圍，為光

本成果提出了基于零件批量加工數據分析的加工工藝與流程優化，主要包括零件加工過程的工藝數據挖掘與機器學習算法、基于數據和機理模型相結合的零件加工精度預測、基于機器學習的零件加工工藝優化與決策、基于數據驅動的零件批量加工工藝優化方法驗證這四方面。以下是各方面具體對應內容： 1）零件加工過程的工藝數據挖掘與機器學習算法：在數據挖掘與機器學習算法方面，搭建了軸類零件全流程加工工況數據實時采集硬件平臺，實現對加工力、加工振動、主軸電流等工況數據的實時在線獲取。 2）基于數據和機理模型相結合的零件加工精度預測：在航空薄壁件加工精度預測方面，對復雜曲面加工過程混合建模與全流程加工精度預測等理論開展了深入研究工作；建立了零件單工序/多工序加工精度預測混合驅動模型，實現了加工精度的高效高精預測。 3）基于機器學習的零件加工工藝優化與決策：在軸類零件全流程加工工藝優化與決策方面，圍繞隱馬爾可夫決策過程、遺傳算法等理論開展了理論研究工作，結合軸類零件加工過程開展了優化工作；提出了加工參數自適應調控聯合決策方法。 4）基于數據驅動的零件批量加工工藝優化方法驗證：構建加工數據庫1套，包含機床設備、加工刀具、加工參數、檢測數據等四種類型數據。開發全流程加工智能推理軟件1套（部署于中航發南方公司柔軸車間），實現航軸全流程質量數據感知與工藝優化，其中全流程誤差建模與分析模塊實現了端到端的零件加工質量智能推理，可以用于工藝設計與現場預先感知，加工過程工藝數據挖掘模塊實現基于批量數據的多工序誤差流分析，實現后續工序加工誤差推理，加工過程工藝優化與智能決策模塊實現了零件多工序加工質量數據推理與給定期望指標下的加工參數優化。 圖1 本成果對應功能結構示意圖 【技術優勢】 圍繞航空領域制造的加工質量問題，開展基于制造過程數據的工藝全流程智能決策技術與系統的研發，初步實現工藝與制造過程的智能控制。在數據挖掘與機器學習算法、航空薄壁件加工精度預測、軸類零件全流程加工工藝優化與決策、零件全流程加工質量智能推理與優化、智能加工產線智能決策技術應用與推廣等多個方面實現了突破，具有顯著的理論價值與應用價值。 規范制定方面，研究了薄壁件加工誤差產生的深層機理，構建了批量零件加工過程中誤差傳遞的理論模型，探究了機床、夾具、刀具、加工參數全方位、多層次的因素對于零件加工誤差產生的影響規律，提出了零件加工工藝與流程優化策略，形成制定面向航空發動機大長徑比軸類零件的決策規范，規定軸類零件全流程加工過程中機床、刀具、裝夾、加工參數四個方面的具體要求。通過中國航發南方工業有限公司企業標準體系管理系統制定、修改、審批，形成《航空發動機軸類零件加工工藝優化與決策技術規范Q/2B 1586—2022》。 軟件開發方面，將上述理論成果進行高度集成，開發了零件全流程加工智能推理優化軟件（MIO軟件）。軟件集成了四大功能模塊，包括加工工藝數據庫、全流程誤差建模與分析、加工過程工藝數據挖掘、加工工藝優化與智能決策。相關知識與優化規則形成權。全流程加工智能推理優化軟件以及知識庫軟件通過第三方測評，測評機構具備MA與CNAS認證資質，最終形成《零件全流程加工智能推理優化軟件第三方測試報告》、《智能加工產線工藝全流程智能決策工藝知識庫軟件第三方測試報告》。 應用驗證方面，結合航空發動機制造具體需求，將相關成果應用到某型號航空發動機軸類零件（動力渦輪傳動軸）加工生產中。將零件全流程加工智能推理優化軟件部署在航軸加工車間，在驗證產品的加工設備上部署了數據采集裝置，實時采集加工過程數據，集成企業工藝資源數據庫和產品數字化檢測系統，獲取機床、夾具、刀具、產品質量等信息，構建了加工工藝數據庫，開展了航軸加工工藝分析、現場加工質量預先感知、加工工藝與流程優化、現場實際加工驗證等工作。通過南方公司現場應用驗證，零件次品率平均降低54.53%。（2019年至2020年優化前，次品率為8.38%；2021年6月至2022年5月優化后，次品率為3.81%）。相關應用驗證通過了中國航發南方公司的效果認定，并形成用戶報告。 【技術指標】 1）采用機理模型/有限元仿真技術獲取切削力/熱/柔度/加工誤差數據集，構建代理模型實現了切削過程的毫秒級預測，切削過程關鍵物理量的預測時間優于10毫秒。 2）建立了機理模型與小樣本工況數據混合驅動的預測模型不確定分析與量化模型，提出了貝葉斯框架下的不確定校準方法，實現了加工誤差快速（毫秒級）精準（偏差小于5微米）預測。 3）提出了航軸加工質量狀態估計方法，建立了現場多源數據信息串聯模型，基于隱馬爾科夫的決策模型，實現工序間感知平均誤差控制在9.21%內。 4）建立了加工次品率與加工參數約束集間雙向映射互通模型，首次提出了基于隱馬爾科夫模型與遺傳算法的聯合決策方法框架，聯合決策優化框架保證次品率降低優于50%。

本實用新型涉及一種可擴展到較高泥沙濃度測量與試驗分析的裝置，包括水槽試驗系統、B 超成像 測量分析系統、超聲反射衰減系統；所述水槽試驗系統包括沙粒、水流和水槽，所述沙粒和水流放置在 水槽內；所述超成像測量分析系統包括 B 超探頭、信號線、B 超儀和計算機，B 超探頭通過信號線與 B 超儀相連接，B 超儀通過連接線與計算機連接；所述超聲反射衰減系統包括反射裝置和用于固定 B 超探 頭在反射裝置正上方的固定裝置，所述固定裝置設置在反射裝置上。本實用新型裝置具有較廣泛的適用 性，解決了水中泥沙濃度過高而導致含沙量無法通過 B 超成像測量問題。