新葡京娱乐场-大陆娱乐场开户注册

本發(fā)明屬于銑削加工相關(guān)技術(shù)領(lǐng)域，其公開了一種五軸加工軌 跡中刀具圓環(huán)體向三角片的邊投影的算法，其包括以下步驟:(1)判斷 刀具圓環(huán)體向三角片的邊投影的特殊情況，若存在特殊情況，則轉(zhuǎn)至 步驟(5)，否則轉(zhuǎn)至步驟(2);(2)根據(jù)第一幾何約束條件來確定初始迭代 角度;(3)基于第二幾何約束條件及第三幾何約束條件來計算及離散初 始迭代角度區(qū)域，以確定較優(yōu)初始迭代角度;(4)基于第二幾何約束條 件及第三幾何約束條件，采用割線法搜索最優(yōu)角度，若成功則轉(zhuǎn)至步 驟(5)，否則結(jié)束;(5)依據(jù)搜索到的所述最優(yōu)角度計

近年來已經(jīng)建立了基于故障字典，模糊理論，專家系統(tǒng)，神經(jīng)網(wǎng)絡(luò)，支持向量機，信息融合，小波分析，粒子群等各種技術(shù)的不同故障診斷方法，并在模擬電路的實際檢驗中取得了良好的效果。然而，電路從正常到故障之間存在中間過渡狀態(tài)，怎樣定義這個中間狀態(tài)以及其對電路有怎樣的影響，如何準(zhǔn)確描述這種影響，通過查閱文獻，到目前為止還沒有一種合理的方法能夠解決這個問題。

本發(fā)明公開了一種基于選擇性隱樸素貝葉斯分類器的網(wǎng)絡(luò)故障 診斷方法，包括：(1)從網(wǎng)絡(luò)歷史數(shù)據(jù)庫中獲取歷史數(shù)據(jù)，包括癥狀變 量集以及故障類變量集；(2)構(gòu)建選擇性隱樸素貝葉斯分類器預(yù)測模型， 根據(jù)癥狀變量集中的每個癥狀變量確定對應(yīng)的最相關(guān)癥狀變量集合； (3)所述選擇性隱樸素貝葉斯分類器通過訓(xùn)練歷史數(shù)據(jù)自動學(xué)習(xí)到分類 器參數(shù)；(4)進行故障診斷時，對測試數(shù)據(jù)利用上述選擇性隱樸素貝葉 斯分類器進行估計得到對應(yīng)最終的故障診斷結(jié)果。通過執(zhí)行本發(fā)明中的網(wǎng)絡(luò)故障診斷方法，有效解決了現(xiàn)有網(wǎng)絡(luò)故障診斷中運算復(fù)雜度高、 網(wǎng)絡(luò)診斷結(jié)果偏差大的問題，顯著提高了網(wǎng)絡(luò)診斷的準(zhǔn)確性，在進一 步降低運算復(fù)雜度的同時，能夠保持較好的學(xué)習(xí)能力及容錯特性。

 本系統(tǒng)利用工業(yè)無線傳感器網(wǎng)絡(luò)構(gòu)建無線、分布式機械設(shè)備故障診斷和監(jiān)測系統(tǒng)，對工業(yè)現(xiàn)場運轉(zhuǎn)設(shè)備的工作狀態(tài)進行監(jiān)測，部署的工業(yè)無線傳感器網(wǎng)絡(luò)既充當(dāng)在線狀態(tài)監(jiān)測系統(tǒng)，也承擔(dān)通信網(wǎng)絡(luò)的功能，最后作為具有推理學(xué)習(xí)能力的決策網(wǎng)，是集感知、通信、識別、診斷、決策為一體的綜合預(yù)測性維護平臺。   作為一種獨立的控制網(wǎng)絡(luò)，本系統(tǒng)包含低功耗傳感器節(jié)點、執(zhí)行器節(jié)點、匯聚網(wǎng)管等硬件設(shè)備及專家知識庫、規(guī)則匹配數(shù)據(jù)庫、歷史數(shù)據(jù)庫、人機交互界面等軟件平臺，能夠有效彌補有線診斷系統(tǒng)在應(yīng)用中布

本發(fā)明公開了一種基于卷積神經(jīng)網(wǎng)絡(luò)和小波灰度圖的旋轉(zhuǎn)機械故障診斷方法，其包括以下步驟：(1)將振動位移傳感器及振動速度傳感器設(shè)置在旋轉(zhuǎn)機械上，利用所述振動位移傳感器及所述振動速度傳感器采集所述旋轉(zhuǎn)機械的振動信號；(2)對采集到的所述振動信號進行多尺度小波分解，以得到小波灰度圖；(3)按照預(yù)先訓(xùn)練過的卷積神經(jīng)網(wǎng)絡(luò)的輸入形式，對所述小波灰度圖進行預(yù)處理；(4)將預(yù)處理后的所述小波灰度圖輸入到所述卷積神經(jīng)網(wǎng)絡(luò)，所述卷積神經(jīng)網(wǎng)絡(luò)對接收到的所述小波灰度圖進行分析診斷，以得到所述旋轉(zhuǎn)機械的故障診斷結(jié)果。

近日，上海交通大學(xué)電子系義理林教授課題組基于智能鎖模算法、時間拉伸技術(shù)和實時高速電路建立的實時光譜分析控制平臺，實現(xiàn)了鎖模激光器輸出飛秒脈沖的實時光譜調(diào)控，對飛秒激光器的設(shè)計具有重要的應(yīng)用價值。相關(guān)成果以“Intelligent control of mode-locked femtosecond pulses by time-stretch-assisted real-time spectral analysis”為題目于2020年1月發(fā)表于國際光學(xué)頂尖期刊《Light: Science & Applications》（中科院長春光機所與Nature出版集團合辦期刊），并入選為封面文章，在“News & Views”欄目被專門評述。博士生蒲國慶為第一作者，義理林教授為通信作者。 圖說：期刊封面文章 飛秒尺度（1E-15秒）脈沖對應(yīng)著原子分子、材料、生物蛋白、化學(xué)反應(yīng)等豐富物質(zhì)體系的眾多超快過程，有著廣泛而重要的應(yīng)用。鎖模激光器作為產(chǎn)生飛秒脈沖的重要基礎(chǔ)研究工具，在物理、化學(xué)、生物、材料、信息科學(xué)等領(lǐng)域都有廣泛的應(yīng)用。飛秒鎖模激光器自上世紀(jì)六十年代發(fā)明以來，與其相關(guān)的研究分別于1999，2005，2018年獲得過諾貝爾獎。 隨著超快光學(xué)的快速發(fā)展，越來越多的前沿應(yīng)用需要對飛秒脈沖的時域和光譜進行精細(xì)控制。由于飛秒脈沖的產(chǎn)生涉及非常復(fù)雜的非線性和色散傳輸效應(yīng)，達到特定脈沖狀態(tài)的穩(wěn)態(tài)輸出需要對激光器多個參數(shù)在高維空間進行優(yōu)化，傳統(tǒng)基于激光器光學(xué)設(shè)計和優(yōu)化的方法已被證明難以精確實現(xiàn)。 通過對飛秒脈沖狀態(tài)進行智能識別，結(jié)合智能算法對激光器多參數(shù)進行全局優(yōu)化，有望獲得理想的飛秒脈沖輸出，但其主要挑戰(zhàn)在于飛秒脈沖難以實時精確識別。低速時域采樣無法識別飛秒脈沖寬度和形狀，光譜儀雖可識別飛秒脈沖積分光譜但無法識別其瞬時光譜，因此傳統(tǒng)方法都無法做到實時控制飛秒脈沖精確鎖模狀態(tài)。為了解決這一難題，義理林教授課題組提出在鎖模控制環(huán)內(nèi)引入時間拉伸-色散傅里葉變換（TS-DFT）技術(shù)，通過時域到光譜的轉(zhuǎn)換，采用低速時域采樣即可識別飛秒脈沖對應(yīng)的瞬時光譜寬度和形狀。結(jié)合智能控制算法，實現(xiàn)了以1.4nm為精度對飛秒脈沖光譜寬帶從10nm到40nm進行可編程控制，光譜形狀可編程為高斯型或三角形等。這是本領(lǐng)域首次實現(xiàn)飛秒鎖模脈沖光譜寬度和形狀高精度實時編程控制，解決了飛秒鎖模脈沖鎖模狀態(tài)無法精確調(diào)控的難題。 基于實時的光譜控制，該研究還展示了從窄譜鎖模態(tài)至寬譜鎖模態(tài)以及從三角形光譜脈沖態(tài)至寬譜鎖模態(tài)的演變過程，發(fā)現(xiàn)兩者動力學(xué)過程具有相似性，提出了目標(biāo)鎖模狀態(tài)可能決定中間動力學(xué)過程的猜想，為人們進一步探索鎖模激光器內(nèi)部機理提供新視角。 圖說：基于快速光譜分析的飛秒鎖模脈沖智能控制 非線性光學(xué)著名專家John Dudley教授（歐洲物理學(xué)會主席，IEEE/OSA Fellow）在《Light: Science & Applications》的“News & Views”欄目撰文介紹此項工作，認(rèn)為本工作極具創(chuàng)新性，開拓了研究鎖模動力學(xué)新的可能性，很可能應(yīng)用于多種鎖模光纖激光器中。 義理林教授課題組過去六年來一直致力于解決飛秒鎖模激光器的智能控制問題，2019年發(fā)表在光學(xué)領(lǐng)域頂級期刊《Optica》的“智能鎖模激光器”成果入選美國光學(xué)學(xué)會旗下新聞雜志《Optics & Photonics News》2019年光學(xué)年度進展“Optics in 2019”。該方向工作部分得到國家自然科學(xué)基金（61575122）的支持。《Light: Science & Applications》論文全文https://www.nature.com/articles/s41377-020-0251-x《Light: Science & Applications》“New & Views”評述論文https://www.nature.com/articles/s41377-020-0270-7

隨著計算智能方法得到更廣泛的應(yīng)用，其從問題本身學(xué)習(xí)的能力亟待增強。為此，越來越多研究提出使用機器學(xué)習(xí)模型來驅(qū)動計算智能。通常，這種基于模型的進化算法的性能高度依賴于所采用模型的訓(xùn)練質(zhì)量。而傳統(tǒng)機器學(xué)習(xí)方法需要大量訓(xùn)練數(shù)據(jù)進行模型訓(xùn)練，而且受維度災(zāi)難的影響，這類方法通常很難解決維度較高的問題，約束了計算智能方法的應(yīng)用范疇。課題組在IEEE Transactions on Cybernetics上發(fā)表了一種由生成對抗網(wǎng)絡(luò)（GAN）驅(qū)動的進化多目標(biāo)算法。

本發(fā)明一種馬鈴薯定位標(biāo)記裝置和一種馬鈴薯播種裝置，該馬鈴薯定位標(biāo)記裝置包括機架，機架上設(shè)置有漏播檢測單元，漏播檢測單元的后端設(shè)置有定位標(biāo)記單元，漏播檢測單元檢測到馬鈴薯播種過程中漏播，將漏播信號傳遞到定位標(biāo)記單元，定位標(biāo)記單元定位標(biāo)記以示馬鈴薯漏播；馬鈴薯播種裝置包括上述的馬鈴薯定位標(biāo)記裝置。該發(fā)明在馬鈴薯出現(xiàn)漏播情況時可以進行標(biāo)記，以便于后期補種。

本發(fā)明公開了一種基于卷積神經(jīng)網(wǎng)絡(luò)的給水管網(wǎng)多點漏損定位方法，包括以下步驟：對供水管網(wǎng)壓力數(shù)據(jù)進行采集，將采集的供水?dāng)?shù)據(jù)分為訓(xùn)練樣本和測試樣本；將各個樣本歸一化，歸一化后的訓(xùn)練樣本輸入到卷積神經(jīng)網(wǎng)絡(luò)模型中進行訓(xùn)練，得到卷積神經(jīng)網(wǎng)絡(luò)模型，歸一化后的測試樣本對卷積神經(jīng)網(wǎng)絡(luò)模型進行測試，保存訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型；實時數(shù)據(jù)歸一化后輸入到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型中，通過訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型來得到預(yù)測結(jié)果；將預(yù)測結(jié)果對比標(biāo)簽索引，判斷漏損。本發(fā)明還公開一種基于卷積神經(jīng)網(wǎng)絡(luò)的給水管網(wǎng)多點漏損定位裝置。本發(fā)明

本發(fā)明公開了一種空間多自由度定位裝置及其空間位置解算方法。所述裝置包括底板平臺、第一三維轉(zhuǎn)臺、第二三維轉(zhuǎn)臺、第一轉(zhuǎn)臺底座、第二轉(zhuǎn)臺底座、伺服電機、絲杠和導(dǎo)軌，導(dǎo)軌鋪設(shè)在底板平臺上，第一三維轉(zhuǎn)臺安設(shè)在第一轉(zhuǎn)臺底座上，第一轉(zhuǎn)臺底座固定在底板平臺的一端，第二三維轉(zhuǎn)臺安設(shè)在第二轉(zhuǎn)臺底座上，第二轉(zhuǎn)臺底座可以沿導(dǎo)軌做靠近或遠(yuǎn)離第一轉(zhuǎn)臺底座的運動，兩個目標(biāo)物體分別固定在第一三維轉(zhuǎn)臺和第二三維轉(zhuǎn)臺上。所述空間位置解算方法根據(jù)本發(fā)明裝置的機械結(jié)構(gòu)特點，通過固定在夾具上兩物體間期望的空間位置姿態(tài)關(guān)系解算出裝置上每個運動部件的運動量。本發(fā)明能夠?qū)崿F(xiàn)空間中兩個物體之間的復(fù)雜相對位置姿態(tài)的定位。