企业决策支持系统的构建与设计

综合决策支持系统SDSS是当今较为先进的决策支持系统,但是由于其模型库中的模型是固定不变的,因此在实用中具有一定的局限性。该文提出的集成数据仓库DW、知识仓库KW、模型仓库MW作为底部架构的体系结构能有效解决这一问题,该架构简化了模型获得和编码任务,增强了决策的有效性和智能性,从而提高了决策的效率。     

一种新的智能内窥镜导航系统

本文介绍了一种新的智能内窥镜导航系统。该系统用于实现内窥镜的智能导航介入。其中导航方法是基于视觉传感器和触觉传感器的多信息融合的方法。在视觉传感器中采用了一种基于自适应阈值图像分割算法的寻径方法,该方法采用加速的最大类间方差法进行阈值分割。在触觉传感器中采用了基于MEMS技术的硅微触觉传感器,四个硅微触觉传感器被封装在内窥镜头部表面,可以获得内窥镜头部全方向的压力。本文通过实验验证了该导航系统的可行性及可靠性,该方法的应用弥补了传统方法中因暗区不明显而无法引导内窥镜的不足,提高了内窥镜导航的精度和可靠性。     

独立运行光伏发电系统电流环自适应给定的MPPT控制

本文在光伏阵列数学模型及特性分析的基础上，给出了结构简单且便于实现MPPT控制的系统结构．针对现有MPPT控制方法的不足，给出了一种电流环自适应给定的MPPT控制算法．这种算法采用自适应变步长扰动方法，根据功率变化自动调节电流扰动步长，可满足MPPT控制的快速性和准确性要求．仿真结果验证了该方法的可行性和正确性．     

基于语义生成与语义分割的机织物缺陷检测方法

针对织物疵点的语义分割任务中因数据集规模限制，而导致网络出现的严重过拟合问题，课题组提出了针对织物的语义生成网络。语义生成网络使用随机产生的语义标签生成对应的织物缺陷图像，相较于传统数据增强方法，语义生成可生成全新图像，更贴近实际缺陷分布，并且可通过判别器对生成图像进行筛选；课题组将语义生成的图像作为语义分割网络的输入，相应的随机语义标签作为目标，免去标注过程，扩充语义分割网络的训练样本，提升网络性能；对于语义分割网络，提出尺寸自适应Dice损失函数，解决样本不平衡问题，提升网络对小尺寸的检测能力。实验结果表明：尺寸自适应Dice损失函数使得模型精度提高11.1%，使用BEGAN扩充的数据集相较于传统方法扩充的数据集训练得到的模型精度提高7.4%。     

参数自适应模糊控制的自动送钻技术研究

针对传统送钻方式的不足及钻井过程复杂、数学模型难建立等特点,在简要分析交流变频自动送钻系统的工作原理和影响送钻的各因素之间关系后,提出将参数自调整模糊控制与交流变频恒钻压自动送钻相结合。通过对钻压趋势的判断,采用参数自调整模糊PI 控制,实现对送钻电机转速的控制。该算法不需要精确的数学模型,可通过自学习实时修正控制参数。试验表明：控制效果良好,在保证恒钻压的基础上,可实现稳速送钻,提高了系统调节的快速性、自适应性和鲁棒性,精度高,现场应用证实此算法控制效果优越,可实现送钻稳态精度在±0.5 t 之内,而且送钻更加平稳,控制算法亦具有通用性。     

提高带载能力的高稳定性自适应斜坡补偿电路

提出一种新颖的精确自适应斜坡补偿电路,与传统的自适应斜坡补偿电路不同,该电路不仅引入了输入、输出电压,还引入了电感电流和开关管导通阻抗的乘积,从而实现补偿量的自动调节和精确控制,提高了DC-DC转换器的带载能力和瞬态响应,同时更好地保证了系统的稳定性。基于该结构采用0.35μm CMOS工艺设计实现了一款面积为1.8×1.8 mm2的Boost DC-DC转换器芯片。测试结果表明,该转换器工作状态良好,占空比从15%~90%变化时,电感电流最大值变化量小于6.5%。     

DPCM与自适应Huffman结合的雷达原始视频信号压缩算法

为了解决大容量雷达数据传输，满足雷达原始视频信号实时无损的要求，根据雷达原始视频信号的特点，给出了采用DPCM（Difference Pulse Coding Modulation）与自适应Huffman编码相结合的压缩编码方式，分析了该算法的有效性和溢出问题，实验表明该方法相对于传统的自适应Huffman编码而言能改善实时性，提高了压缩比。     

非线性系统的复合正交神经网络自适应控制

提出非线性系统的复合正交神经网络自适应控制方法.在非线性系统控制中,这种网络自适应控制不需要辨识系统模型与Jacobian矩阵信息,网络学习算法与被控对象模型无关.仿真结果表明,复合正交神经网络实现的非线性系统控制具有较强的自适应控制能力,证明了控制系统具有良好的跟踪控制性能,为解决非线性系统的控制问题提供了一种方法.     

基于深度强化学习的自适应股指预测研究

基于股指成分股基本面和技术面数据构建了时序股票关联网络，然后利用深度图神经网络学习股票关联网络层次化表征，以端到端的方式获得候选预测信号.在此基础上，提出了一种考虑动作评估反馈的深度强化学习方法(Action Evaluation Feedback based Deep Q-Learning, AEF-DQN),旨在将不同的候选预测信号融入智能体的动作空间，并基于股票关联网络层次化表征、股票市场整体运行状态和历史动作评估反馈学习环境状态；借鉴前景理论中的参照依赖特性估计奖励值函数，从而建立状态、动作与奖励值之间的映射关系.最后，采用沪深300指数、标普500指数、英国富时100指数和日经225指数的成分股历史数据，构造了股指期货交易模拟器，在投资胜率、最大回撤率、阿尔法比率和夏普比率4个回测指标上对股指预测模型展开实证分析.研究结果表明：1)通过层次化聚合股票关联网络的节点属性信息可以动态捕捉不同行业对股指价格波动的影响，进而可提升预测方法的准确率；2)考虑动作评估反馈的深度强化学习结构可智能化选择适用于当前股票市场环境的最优模型结构，进而可提升预测方法的鲁棒性.     

以热流率作为补偿的智能PID控制

本文以电加热流动热力系统为例，提出了一种以静态模型为基础．以热流率作为补偿的智能ＰＩＤ控制处理动态模型的方法．较好地解决了由于热流率的变化而引起的温度波动，在应用中得到了满意的结果．