摘要：非侵入式负荷分解可以深度挖掘用户电力消耗数据蕴含的信息价值,为电力设备故障监测、需求响应等决策分析提供重要参考.为有效解决非侵入式负荷分解算法训练时间成本与分解精度间的冲突,提出一种融合外部注意力机制的序列到点非侵入式负荷分解算法.首先,将总负荷功率消耗序列进行数据清理、标准化等预处理,以固定窗口长度构建训练输入数据,输入数据通过编码层自动提取设备特征;然后,设计外部注意力机制增强重要特征权值;最终,输入到解码层得到负荷分解结果.利用REDD与UK-DALE两种公开数据集进行模型仿真计算,在信号聚合误差、平均绝对误差、标准化分解误差指标、模型分解曲线、特征图和用户耗能等方面进行对比分析,本文模型克服了卷积层注意力分散的缺点,增强了对有效信息的提取与利用能力,在未增加训练时间成本的前提下具有更高的分解精度.

摘要：电–气区域综合能源系统电、气相互耦合与影响,使得其安全校正控制难度大且对快速性要求高,为此,提出一种基于深度确定性策略梯度(deepdeterministicpolicy gradient,DDPG)算法的安全校正控制决策方法。首先,进行系统多能流与变量分析,建立安全校正控制的目标与约束条件。然后,构建基于DDPG的安全校正控制模型,设计目标奖励和各种约束条件奖励,提出结合基于综合灵敏度的安全校正知识经验设计目标奖励函数,使调整具有方向性,且目标奖励考虑能量枢纽(energy hub,EH)的经济效益及其可再生能源消纳;通过智能体离线训练,使其能够在线做出实时最优的安全校正控制策略,预先产生专家经验数据集存放于经验回放池,提高训练速度和收敛性。最后,通过含EH电–气区域综合能源系统仿真算例验证了所提方法的有效性。

摘要：作为工业生产与日常生活的常见设备,永磁同步电机的故障诊断研究具有十分重要的意义。以永磁同步电机的匝间短路、退磁、轴承故障为诊断目标,提出一种新型的多传感器特征融合网络(MSFFN),结合多传感器融合技术与卷积神经网络实现永磁同步电机的可靠故障诊断。网络采用2个带有残差模块的卷积神经网络,对输入的电流信号与振动信号并行提取隐藏特征,并设计一种中间特征融合模块(IFFM)有效融合电流和振动的各层隐藏特征,IFFM基于注意力机制对网络中的电流特征与振动特征进行筛选,自适应关注不同信号的内在相关特征,以实现更好的诊断效果。搭建了故障样机测试平台进行数据采集与实验验证,实验结果表明,提出方法具有更高的诊断准确率,同时在叠加了强噪声的条件下,具备更强的抗干扰能力。

摘要：引导编辑器(prime editor,PE)是继碱基编辑器(base editor,BE)之后新问世的基于CRISPR/Cas(clustered regularly interspaced short palindromic repeats/CRISPR-associated)系统的基因编辑工具,可以在不造成DNA双链断裂的情况下引入碱基替换、插入和删除。PE因其全面的编辑能力,问世即受到全球学者的广泛关注,然而PE表达盒编码较长(>6 kb)、编辑效率较低等问题也亟待研究人员解决。PE的研究方向与BE有许多相似之处,本文首先梳理了学界对PE本身编辑效率和安全性的探索;然后重点介绍了PE效应蛋白、pegRNA和其他细胞因子三个方面对PE的改进手段,以及为方便PE应用而开发的自动化设计工具;最后梳理了PE在动植物以及基因治疗中的应用。方兴未艾的PE领域尽管还难称完善,但在提高编辑效率和改进安全性等方面已取得了许多重要进展。鉴于Cas9、BE等基因编辑工具已广泛应用于遗传病疗法,PE走向遗传病治疗值得期待。

摘要：Delta-Sigma调制(DSM)可在无需随机过程统计特性和复杂谐波理论分析的基础上,依托其过采样特性实现电力电子变换器变频调制。双级矩阵变换器(TSMC)作为一种理想的“全硅”交-交变换器,若能够将DSM引入TSMC,可进一步优化其电磁干扰(EMI)水平和运行效率,但TSMC的直流链电压波动问题导致TSMC-DSM策略难以直接实现。针对TSMC-DSM实现问题,该文提出一种基于参考电压修正的DSM策略。在所提方法中,通过解析TSMC整流级调制过程,将逆变级参考电压按照整流级矢量作用顺序进行修正,并依次获得各扇区参考电压修正系数。最后,在两相坐标系下分别构建两个DSM调制器,并将修正后的逆变级电压参考值引入DSM调制器以实现高性能TSMC-DSM策略。实验结果表明,所提策略能够对输出电压、电流频谱进行合理整形以减少系统对外部的电磁干扰,同时具备优良的电压传输比和动态调制性能。

摘要：已有颈部康复设备负载精度差且负载调节时间长,为此基于抗阻康复训练治疗理论设计新的颈部康复机器人系统.设计机械结构,使电机输出的拉力转换成颈部的抗阻负载.将控制系统分为控制模块与算法模块,提高系统的流畅性和稳定性.利用磁场定向控制算法实现电机力矩的精准控制,为颈部康复训练提供稳定可控的拉力.设置拉力传感器和姿态陀螺仪传感器,防止使用者头颈部姿态错误或未知事故.统计10名受试者使用所设计系统进行颈部康复训练的评估参数,并对统计结果进行分析.仿真测试显示,磁场定向控制算法能够提高负载精度并缩短调节时间;负载测试与仿真测试结果的一致性验证了控制方案的可行性.系统性能测试表明,所设计的颈部康复机器人的拉力控制误差不超过0.59 N,响应速度为0.53 s,达到临床使用标准.

摘要：极化合成孔径雷达(PolSAR)图像配准在地物分类、变化检测、图像融合中都具有广泛应用。现有的PolSAR图像配准方法,无论是基于深度学习还是传统方法,大多采用PolSAR幅度影像信息进行处理。这种处理方式导致大量极化信息丢失,同时在PolSAR图像固有相干斑噪声影响下,配准精度和可靠性表现不佳。为此,本文首先发展了一种有效的基于极化白化滤波(PWF)精细化处理的关键点检测器,利用PWF对PolSAR图像进行相干斑噪声抑制,通过阈值约束、形态学腐蚀及非极大值抑制来选取显著且分布均匀的匹配关键点。进一步地,本文设计了一种孪生简单稠密胶囊网络(SimSD-CapsuleNet)来快速提取PolSAR图像的浅层纹理特征和深层语义特征,同时为了充分利用极化信息,本文将极化协方差矩阵作为输入数据。本文计算了胶囊形式特征描述符之间的距离,并将其输入硬L2损失函数用于模型的训练。本文方法在不同传感器获取的不同分辨率PolSAR图像上进行验证。结果表明,该方法能够在更短的时间内获取更加均匀且数量更多的匹配关键点,结合PWF和深度神经网络可以实现快速准确的PolSAR图像配准。

摘要：高阶关联广泛存在于现实世界中,如社交网络、生物网络、交通网络等,建模及优化高阶关联对于网络属性研究和演化趋势预测具有重要意义.超图是一种灵活的数据结构,能够自然地建模高阶关联.近年来,随着深度学习的发展,基于超图建模的超图神经网络被广泛应用于面向高阶关联的表示学习.然而,现有的超图神经网络均基于直推学习范式,虽然在小规模超图数据集上取得了不错的效果,但难以应用到大规模数据上,限制了其应用范围.本文首先分析了现有超图神经网络方法在大规模数据上应用的挑战,然后针对该问题提出了面向大规模数据的高效超图神经网络方法(efficient hypergraph neural network,EHGNN).针对现有方法空间、时间复杂度过高的问题,EHGNN分别设计了超图采样模块和基于单阶段超图卷积的计算加速模块,同时降低了超图神经网络的空间开销和时间开销,使得超图神经网络适用于大规模超图数据,显著增强了可扩展性.在4个真实超图数据集上的实验结果验证了EHGNN的有效性和高效性.

摘要：使用少量标签样本训练得到的传统模型往往预测精度低、泛化能力弱,很难应用到实际生产中.针对小样本图像提出一种基于困难样本对激励分类方法,包括预训练阶段和元学习阶段.预训练阶段在基类数据集上训练编码器,并作为元学习阶段的初始特征编码器;元学习阶段将进一步优化此编码器,元训练过程使用本质特征法降低异常样本对质心的影响;结合度量学习与元学习设计了困难样本对激励损失函数,从样本对角度出发,在训练过程中引导模型扩大正负样本间距离,使同类样本更加紧凑.在公开数据集mini-ImageNet,tiered-ImageNet上进行实验的结果表明,分类精度分别为64.12%,70.15%,验证了所提方法的有效性和可行性.

摘要：表面缺陷检测是热轧带钢生产过程中十分重要的环节,是提高热轧带钢产品质量的关键。首先,针对当前带钢表面缺陷图像形貌多样、干扰多以及检测算法精度有待提高的问题,设计了一种自蒸馏框架(Self-knowledge Distillation,SD)来提高模型的缺陷检测精度,通过采用几何变换、色彩增强和图像线性插值的数据增强方法,增加样本数据的表征信息;从标签的概率分布和接近程度两方面提出了新的损失函数(LCK Loss),使模型能更好地学习样本提供的知识,实现相同数据不同表征间的信息传递,进而提高模型的泛化能力。其次,将Poolformer网络应用到热轧带钢表面缺陷检测中,针对Poolformer12网络参数量多的问题,设计了轻量化网络LRAM-Poolformer8,通过减少网络层数和计算量,实现模型加速的目的。最后,在武钢CSP机组的8类带钢表面缺陷数据集上进行了试验,结果表明,所提SD-LRAM-Poolformer8模型的平均识别精度为98.20%,相较于Poolformer12,检测精度提高了1.62个百分点,且计算量仅为原来的56.4%,这证明了新模型在热轧带钢表面缺陷检测中的可行性与有效性。