摘要：工业生产活动中的多任务并发卸载过程会利用大量计算资源,但是多源异构的任务需要执行的时间存在差异,系统的计算资源和网络负载等情况也会极大地影响任务资源分配的方案。文章针对上述问题进行研究,首先设计模型模拟实际工业场景并分析资源分配过程;然后使用DQN算法以最大化任务完成数量为目标,对每个任务进行资源分配;最后通过分析算法性能为工业智能制造应用提供理论依据。实验仿真结果表明,文章提出的资源分配方案比平均分配方案性能更高,更适用于多任务卸载的时变的工业环境中。

摘要：由于服装的面料组成具有复杂性,企业在不同时间对不同规格型号面料需求量不一致,传统的人工预测及单维度智能预测模型难以解决问题。针对服装企业面料需求非确定性、预测难的痛点,提出基于关联规则及组合模型的面料需求预测方法。首先构建Apriori面料型号关联模型,挖掘多批多类面料间的型号关联规则;然后构建Prophet时间序列模型与长短期记忆神经网络(long short-term memory,LSTM)的组合预测模型Prophet-LSTM,结合其在解决面料需求预测问题上的优势;最后将挖掘出的高关联面料型号历史需求数据作为输入,采用量子粒子群算法(quantum particle swarm optimization,QPSO)优化组合模型权值系数,进行关联面料需求量预测。使用均方根误差(root mean squared error,RMSE)及平均绝对误差(mean absolute error,MAE)作为评价指标设计对比实验,实验结果表明:采用量子粒子群优化的QPSOProphet-LSTM面料需求预测模型RMSE较Prophet降低5.464,较LSTM降低1.184;MAE较Prophet降低4.261,较LSTM降低0.819,需求预测精度更高,支持服装企业面料柔性生产。

摘要：精神分裂是目前较为常见的精神疾患之一,该病涉及层面较多,因而每位患者表现仅为其中的个别症状,主要特征表现为思维联想过程缺乏连贯性和逻辑性[1]。该病治疗较为困难,对患者身心健康危害大,目前,常用的治疗方式为药物干预,该方法对患者的精神状态有一定控制作用,但治疗目的不能仅限于控制疾病症状,还应着重关注患者的社会功能,帮助患者早日回归社会[2]。

摘要：针对目前服装面料需求数据周期非确定性导致预测精度差的问题,提出一种基于Prophet算法的服装面料需求预测模型。通过分析服装面料需求历史数据的时间序列特征构建Prophet模型,使用M公司面料数据集设计Prophet与LSTM的对比实验,并采用RMES以及MAE作为评价指标。实验结果表明:相比于LSTM,Prophet模型具有较高的预测精度且有效提升了服装面料需求时间序列预测的准确性。

摘要：典型无线电能传输(wireless power transfer,WPT)系统采用单线圈结构,只能在二维平面进行定向的能量传输,在传感器等多监测设备供电场景中的劣势显著。为实现WPT系统能在各个方向进行能量的传送,满足不同方位多负载供电要求,提出了一种基于球形线圈结构的多接收端无线电能传输系统,采用立体球形线圈结构的发射端,改善其周围的磁场分布,并在发射线圈内部加入磁芯,提高系统能量的传输效率。利用有限元仿真对比分析了该结构与传统单发射线圈的磁场分布,验证了球形线圈结构的全向磁场辐射特性。搭建实验平台,分析了传输距离和接收线圈空间方位对系统性能的影响,验证了所设计的球形发射线圈全方位能量传送性能。