摘要:针对多个自主水下机器人（Autonomous Underwater Vehicles，AUVs）编队问题，为 了减少多AUV频繁通信造成的能量消耗，提出一种基于分布式动态事件触发的领导者-跟随 者一致控制算法. 设计一个包含广义位置和载体速度的辅助变量简化AUV模型. 同时基于滑 模变结构控制、一致性理论及动态事件触发策略，设计了分布式编队控制器，保证系统在存在 外部扰动的情况下可实现一致控制目标. 证明了所提出的控制算法没有Zeno现象. 数值仿真 验证了所提出定理的正确性和控制算法的有效性.

摘要:针对轮毂电机对电动汽车平顺性的负效应，建立轮毂电机电动汽车四自由度振动 平面模型，研究被动悬架和主动悬架对电动汽车脉冲平顺性的影响. 应用约束状态H∞控制方 法，设计轮毂电机电动汽车主动悬架控制策略，开发了MATLAB/Simulink控制仿真模型. 分析 无偏心、10% 偏心率和 20% 偏心率对轮毂电机激励的影响，比较轮毂电机电动汽车被动悬架 和主动悬架的脉冲路面振动响应的时间历程和4种情况的平顺性评价指标. 研究结果表明，轮 毂电机偏心对电动汽车产生振动激励，既影响脉冲路面平顺性，也影响状态反馈H∞控制效果.

摘要:为了达到车辆轻量化的效果，基于某轻型乘用车钢制防撞梁，根据车辆低速碰撞 标准对采用碳纤维材料的防撞梁进行结构优化设计 . 通过全因子试验确定防撞梁的截面参 数，考虑到各铺层区域之间厚度不同导致的材料不连续问题，提出了基于铺层相容性的铺层 原则，并以此确定防撞梁的厚度空间和对应的铺层顺序 . 在对防撞梁的铺层厚度进行优化设 计时，采用基于 kriging模型的加点多目标粒子群优化算法，在传统粒子群算法的基础上引入 多目标加点策略，能够有效解决由于近似模型精度不够导致的重复试验设计，提高了优化效 率. 优化设计后的仿真和台车试验表明，碳纤维防撞梁低速碰撞性能满足要求.

摘要:针对多金属结核采矿车在稀软底质行驶作业时有效驱动轮半径和履带打滑率等 动力学参数难确定的问题，基于多金属结核采矿车的牵引力分析和液压驱动系统的负载特性 分析，建立用于多金属结核采矿车动力学参数估计的高阶非线性系统模型 . 针对基于高斯模 型的无迹卡尔曼滤波（Unscented Kalman Filter，UKF）算法无法在非线性系统取得较高估计精 度的问题，提出利用基于蒙特卡洛采样原理的自适应无迹粒子滤波（Adaptive Unscented Par? ticle Filter，AUPF）算法进行动力学参数测算方案，通过自适应无迹卡尔曼滤波（Adaptive Un? scented Kalman Filter，AUKF）改善粒子滤波（Particle Filter，PF）的概率密度函数，解决 PF 容易 发散和UKF估计精度不高的问题. 实验结果表明，AUPF算法得到的多金属结核采矿车的动力 学参数误差均小于最大允许误差，满足精准在线测算的性能需求.

摘要:为了探究重载轮胎性能对多轴重型车辆行驶特性的影响，基于轮胎六分力测试试 验，对 GL073A 型重载子午轮胎的力学模型参数进行辨识研究 . 针对魔术公式轮胎模型参数 多，重载子午轮胎垂向载荷范围大所导致的强非线性变化的特点，提出一种基于粒子群算法 和 Levenberg-Marquardt 算法的混合优化参数辨识方法，以轮胎六分力测试试验数据为基础， 对该型重载子午轮胎的纵滑和侧偏工况的轮胎模型进行参数辨识和结果验证 . 结果表明，基 于混合优化算法能够提高轮胎模型的参数辨识精度，辨识结果残差控制在 5% 以内 . 基于 Sobol 灵敏度分析方法研究了多特征参数对魔术公式轮胎模型的影响程度，以各特征参数的 一阶灵敏度和总阶灵敏度作为评价标准筛选影响轮胎力学性能的主导参数 . 结果表明，基 于 Sobol灵敏度分析，从魔术公式轮胎模型的 58个特征参数中选择 13个主导参数，采用 Sobol 灵敏度分析所得出的主导参数进行辨识的结果与直接采用混合优化进行辨识的结果相比，残 差最大增幅为0.138%，模型收敛速度最大增幅为30.4%.

摘要:针对装载机在转向过程中因油缸铰点布置位置产生的压力冲击和压力波动问题， 以最小行程差、最小力臂差及最小转向系统功率为目标函数，通过遗传算法进行优化，结合 AMESim 仿真及实验验证了优化结果的可行性 . 优化后行程差平均值减少了 89.23%，力臂差 平均值减少了 88.40%，发动机怠速和全速时转向所消耗的平均功率分别减少了 32.56% 和 24.03%. 通过深入研究行程差和力臂差曲线，确立了力臂差是引起压力波动的主导因素，结合 遗传算法对油缸铰点坐标进行二次优化 . 优化结果表明，行程差和力臂差的最大值较第一次 优化分别减少了14.29%和19.44%，实车油缸铰点改造后进行满载全转速快转实验，其压力曲 线未见明显压力异常.

摘要:为了更好地模拟实际驾驶员行为，提出基于二次回归和 Lasso回归方法的纵向驾 驶员回归模型. 通过采集纵向驾驶行为数据，提取可能影响驾驶行为的状态参数，进而建立二 次回归驾驶员模型；面向多参数回归模型中的多重共线问题，采用Lasso回归方法进行状态参 数筛选；结合筛选数据建立二次回归驾驶员模型. 为了验证模型的有效性，与PI驾驶员模型和 一次 Lasso回归驾驶员模型进行仿真对比 . 仿真结果表明，相较于其他两种模型，所建立的驾 驶员模型具备良好的工况跟随效果，同时能较好地反映实际驾驶行为特征.

摘要:为了解决宇称-时间（Parity-Time，PT）对称结构存在结构复杂、奇异点难以调谐的 问题，基于压电分流技术，设计一种针对弯曲波的PT对称梁. 推导PT对称条件，基于等效介质 法和有限元法，验证所设计增益单元、损耗单元的等效参数满足该PT对称条件，并通过改变谐 振频率和分流电阻研究了奇异点的可调性. 通过传递矩阵法和有限元法，对PT对称梁的散射 特性进行分析，讨论单向无反射点与奇异点之间的关系. 理论计算和仿真结果表明，PT对称梁 有包括511 Hz和520.5 Hz在内的多个奇异点. 弯曲波频率为511 Hz的弯曲波从右端入射时反 射系数趋于零，而弯曲波频率为 520.5 Hz时，它必须施加在左端从而达到完全透射而不产生 反射.

摘要:通过在含X形机构非线性三参数隔振器中引入中间质量，提出一种改进三参数隔 振器并建立其理论模型 . 采用谐波平衡法得到隔振系统的稳态解析解，利用四阶龙格库塔法 和多体动力学软件 ADAMS验证其正确性 . 将力传递率作为评价隔振系统动态性能的技术指 标，与传统三参数隔振器以及含X形机构非线性三参数隔振器进行对比，结合工程实际，分别 给出3种类型隔振器在多频稳态激励下的时域位移响应，并进行对比研究. 分析了该隔振系统 的功率流特性以及能量特征，选择隔振系统部分关键设计参数进行影响因素分析 . 从动力吸 振器的角度，讨论了所提模型中非线性连接方式对其减隔振效果的影响. 计算结果表明，合理 选择中间质量可以在原隔振系统谐振频率附近形成一个反共振低谷，且系统固有频率向低频 移动，使隔振系统有效隔振频带变宽；相比于传统三参数隔振器和含X形机构非线性隔振器， 隔振系统在低频和高频的隔振性能均得到有效提升；通过力传递率评估设计参数，结果表明 各参数均存在最优值；将线性动力吸振器与接地X形机构连接，可进一步改善其减隔振效果.

摘要:为了得到谐波激励下本质非线性能量阱系统出现强调制响应的充要条件，开展非 线性能量阱系统的强调制响应研究 . 利用复变量平均法推导主共振下系统的慢变动力流方 程；结合多尺度法实现系统快、慢变流形的分离，得到不同参数下系统的慢不变流形以及全局 分岔特性；通过构建快变流形的一维映射函数，揭示非线性能量阱系统呈现强调制响应状态 的充要条件；搭建非线性能量阱系统的模拟电路，进行强调制响应检测电路试验. 仿真和试验 结果表明，强调制响应是由耦合系统慢变动力流中极限环的鞍结分岔引起的且真实存在，系 统出现稳定的强调制响应必须满足两个条件：一是非线性能量阱系统响应超越慢不变流形上 的极值点，又不吸引至慢不变流形某一分支；二是形成连续跳跃环路而不陷入局部循环时.

摘要:针对多腔热冲压模具冷却水流量分配问题，提出一种冷却水流量分配方法. 设计 一个可变水道参数的U形件热冲压工艺仿真模型，基于FLUENT和LS-DYNA联合仿真对成形 件温度随板料厚度、保压时间及型面流速的变化规律进行研究，建立流量分配数学模型. 当零 件目标温度确定后，根据所构建的流量分配数学模型可快速确定薄板件冷却所需具体流量， 实现冷却水在各腔中的合理分配 . 以一模三腔的热冲压模具为研究对象，根据建立的流量分 配数学模型对其外接水路的阀门开度进行调整，并将调整前后的结果进行对比，调整后厚板 件门槛件的温度由 160.4 ℃下降到 150.1 ℃，下降了 6.42%. 研究结果表明，冷却水流量的调整 对成形件最后温度有显著影响，采用多腔热冲压模具冷却水流量分配的方法，可以缩短整体 的保压时间.

摘要:为提高谐波齿轮的加工精度和效率，提出一种适应双圆弧谐波刚轮的刮齿加工原 理和刀具设计方法. 根据包络理论求解谐波刚轮共轭齿廓，并采用最小二乘法拟合；通过构建 刮齿加工坐标系和前刀面坐标系求解刮齿刀具共轭面和前刀面模型，并用NURBS曲面拟合； 根据牛顿迭代法求解前刀面与共轭面交点获取切削刃数据，导入CAD软件建立刮齿刀具数学 模型 . 在此基础上，分析不同前角和后角对刮齿刀具齿廓误差的影响，结果表明：由于前角和 后角，刮齿刀具切削刃实际齿廓和理论齿廓产生一定偏差，该齿廓偏差从齿顶到齿根逐渐增 大，并随着前角和后角的增大而增大．

摘要:针对传统模糊神经网络（FNN）评价模型在国家质量基础设施（NQI）综合服务信息 平台的服务质量评价中存在收敛速度慢、易陷入局部最优解等问题，提出一种基于优化主成 分分析法（OPCA）与改进遗传算法（IGA）的模糊神经网络智能评价方法. 为提高FNN的网络收 敛速度，利用OPCA根据评价指标间的相关性，删除冗余指标因素，减少网络输入量，实现对网 络输入的降维处理；将 IGA与 FNN相结合，利用自适应的交叉与变异概率对 FNN隶属函数的 系数进行全局搜索，克服 FNN在智能评价时容易陷入局部极值问题 . 基于我国实际的 NQI综 合服务信息平台服务质量调研数据开展试验分析，结果表明，OPCA-IGAFNN评价模型具有高 效、准确的评价效果.

摘要:针对机器学习方法在电力系统短期负荷预测领域的应用过程中，存在数据样本不 足、模型泛化能力差以及数据隐私保护要求较高等问题，以气象、日期以及历史负荷数据为输 入特征，构建基于长短期记忆（Long Short-Term Memory，LSTM）网络的短期负荷预测模型，提 出基于联邦学习（Federated Learning，FL）的短期负荷预测模型协同训练方法. 通过分散训练、 中心聚合的方式对模型参数进行迭代更新，实现各负荷运营商在保证数据隐私的情况下协同 构建预测模型. 在GEFCom2012比赛的多个地区负荷数据集上进行仿真验证，结果表明，所提 方法在保证各运营商数据隐私的同时，有效提升了短期负荷预测准确率，所训练出的模型在 多场景下具有优秀的泛化能力.

摘要:为了提高风电功率预测准确性，提出一种基于频率游程判别法和变分模态分解 （VMD）残差修正的风电功率超短期预测模型 . 采用变分模态分解将原始风电功率序列分解， 得到一系列不同中心频率的子序列，再利用序列之差提取残差序列，残差序列继承原始序列噪 声分量与分解被屏蔽的真实分量，呈现波动性大，非线性复杂和不平稳的特点，采用 t-SSALSTM模型并结合天气特征进行预测. 利用频率游程判别法把子序列划分为低频分量类和高频 分量类：低频分量呈现线性平稳的特点，采用自适应t分布麻雀搜索算法（t-SSA）优化自回归滑 动平均模型（ARIMA）预测；高频分量具有波动性大且复杂的特点，采用 t-SSA优化长短时记忆 神经网络（LSTM）进行预测. 将不同序列的预测结果线性叠加得到风电功率预测结果. 将该模 型应用于国内某风电发电厂的风电功率预测中，试验结果表明，该模型能有效提高预测精度.

摘要:针对当前电网单一学习器窃电检测方法准确率低、实时性差且无特征提取的问 题，提出一种基于卷积神经网络轻梯度提升机（CNN-LG）模型的窃电行为检测方法. 通过卷积 神经网络（CNN）提取用户用电数据电力特征，将提取特征输入以决策树为基学习器的轻梯度 提升机（LG）分类器对数据进行训练，据此建立基于卷积神经网络轻梯度提升机模型的窃电行 为检测方法 . 采用基于卷积神经网络轻梯度提升机模型对国家电网和爱尔兰智能能源径 （ISET）数据集分别进行窃电行为检测 . 实验结果表明，本文提出方法可快速准确实现电网中 各类窃电行为检测，相比于现有检测方法具有更高准确度、更优泛化性能和实时性.

摘要:为了辅助电网涉鸟故障的差异化防治，提出一种基于组合特征和卷积神经网络 （Convolutional Neural Network，CNN）的电网危害鸟种鸣声识别方法 . 根据历史涉鸟故障的鸟 种信息及输电线路周边鸟种调查结果，选择13种高危鸟类、8种微害鸟类和2种无害鸟类建立 鸣声样本集；对鸟种鸣声信号进行分帧、加窗、降噪和剪裁等预处理，提取鸟鸣 Mel 倒谱系数 （Mel-frequency Cepstrum Coefficients，MFCC）、Gammatone 倒 谱 系 数（Gammatone Frequency Cepstrum Coefficients，GFCC）和短时能量（Short-term Energy，STE）特征 . 针对单一特征表达能 力不足的问题，将MFCC及其一阶差分、GFCC及其一阶差分和STE归一化后进行组合，生成新 的鸣声特征集 . 搭建卷积神经网络模型对组合特征进行训练和识别，鸟种鸣声测试集的识别 正确率达91.8%，较单一MFCC和GFCC特征表现更为优异.

摘要:基于模块化多电平 S 换流器的柔性直流输电系统（Modular Multi-level ConverterHigh Voltage Direct Current，MMC-HVDC）在交流电网发生不对称故障时，故障侧 MMC的内部 特性和系统运行都受到较大影响. 基于MMC桥臂平均值模型，提出一种不对称工况下MMCHVDC系统的优化控制策略，增强柔性直流输电系统的故障穿越能力. 该策略主要由交流侧电 流控制和环流抑制两个部分组成，在交流侧利用基于双二阶广义积分器锁相环（Phase Locked Loop Based on Double Second Order Generalized Integrator，DSOGI-PLL），在不对称工况下精确提 取电压电流的正负序分量，配合双矢量控制器抑制负序电流，实现交流侧三相电流平衡. 在MMC 内部采用由PI控制器和重复控制器串联组成的嵌入式重复控制器（Proportional Integral and Re? petitive Control，PI-RC）抑制环流中的二倍频正负零序分量，实现直流侧功率的恒定传输 . 在 MATLAB/Simulink软件中搭建MMC-HVDC系统仿真模型，验证了所提优化控制策略的有效性.

摘要:水声（Underwater Acoustic，UWA）信道的多径效应和多普勒效应造成正交频分复 用（Orthogonal Frequency Division Multiplexing，OFDM）水声通信系统接收端符号间干扰和载 波间干扰，降低系统性能 . 构造一种新型的被动时间反转-卷积神经网络（Passive Time Reversal-Convolutional Neural Network，PTR-CNN），并将其应用于 OFDM 水声通信系统接收 端 . PTR-CNN 网络的构造包括两部分，首先，基于被动时间反转理论削弱多径增强主路径信 息能量；其次，将上述输出结果转换成二维矩阵，再输入卷积神经网络中进行信号检测，同时 对抗多径和多普勒效应带来的干扰；最后，网络输出直接恢复比特流 . 仿真和试验结果表明， 与目前主流信道估计和信号检测算法相比，所提方法能够提升系统的可靠性，在不同水声信 道环境测试中均具有较好的鲁棒性.

摘要:深度学习已广泛用于脑部磁共振（MR）图像分析中，但脑部肿瘤MR图像样本不足 会严重影响深度学习模型的性能 . 提出基于多鉴别器循环一致性生成对抗网络（MD-CGAN） 的样本生成方法 . 利用所提出的 MD-CGAN 生成脑部肿瘤病理区域图像，将生成的脑部肿瘤 病理区域图像覆盖脑部正常图像子区域，合成得到脑部肿瘤MR图像. MD-CGAN引入的双对 抗损失避免了模型崩塌问题的产生，引入的循环一致性损失函数可以保证脑部正常子区域图 像生成脑部肿瘤病理区域图像，从而使得MD-CGAN生成的图像具有高质量和多样性. 以FID 值作为评价指标，利用本文提出的MD-CGAN与近几年较经典的生成网络生成脑部肿瘤病理 区域图像并计算FID值. 实验结果表明，本文所提出网络的FID值比SAGAN、StyleGAN和Style? GAN2的值分别低26.43%、21.91%、12.78%. 为进一步验证本文方法的有效性，利用生成的脑部 肿瘤图像扩充样本，并依托扩充前后的样本集进行脑部肿瘤分割网络训练. 实验表明，样本扩 充后的分割网络性能更优异. 本文方法生成的脑部肿瘤MR图像质量高、多样性强，这些样本可 代替真实样本参与模型的训练，从而有效解决脑部肿瘤MR图像训练样本不足的问题.

摘要:传统图像去噪方法在去除声呐图像斑点噪声的同时，难以有效保留细节特征. 针 对该问题，提出一种基于密度聚类与灰度变换的非下采样剪切波域图像去噪方法 . 利用非下 采样剪切波变换将含噪图像分解为高频系数和低频系数，根据声呐图像中斑点噪声的分布特 性，采用基于密度的噪声应用空间聚类（Density-based Spatial Clustering of Applications with Noise，DBSCAN）算法对高频系数进行处理，分离噪声信号，保留细节信息；对低频系数进行灰 度变换，以增强图像对比度. 通过非下采样剪切波逆变换对处理后的高频系数和低频系数进行 重构，实现图像去噪. 实验结果表明，本文方法在改善图像均方误差、峰值信噪比和结构相似度 等指标上效果明显，去噪后图像的视觉效果和边缘保持能力得到较大提升. 随着噪声方差的逐 渐增大，本文方法的优越性得到进一步体现，适用于具有高密度噪声的声呐图像去噪.

摘要:用户兴趣是随时间变化的，若对推荐系统中所有时间段的数据均采用同等程度的 隐私保护，容易引入不必要的噪声，降低数据效用 . 为此，提出一种基于时间权重因子的差分 隐私保护推荐算法. 首先，设计时间权重因子，用于衡量数据重要性. 然后，根据时间权重因子 划分隐私预算，对不同时间段的数据施加不同强度的隐私保护. 在此基础上，构建基于差分隐 私的概率矩阵分解模型，用于完成个性化推荐. 实验结果表明，该算法在满足隐私保护的条件 下，能够更有效地保留数据效用，提高推荐结果的准确性.

摘要:推荐系统旨在从用户-项目的交互中进行建模，为用户推荐感兴趣的内容，从而提 高用户体验. 然而大多数用户-项目的序列并不总是顺序相关的，而是有更灵活的顺序甚至存 在噪声. 为解决这一问题，提出一种基于策略记忆的深度强化学习序列推荐算法，该算法将用 户的历史交互存入记忆网络，使用一个策略网络将用户当前的行为模式更细致地划分为短期 偏好、长期偏好以及全局偏好，并引入注意力机制，生成相应的用户记忆向量，利用深度强化 学习算法识别对未来收益较大的项目 . 在用户和项目的交互中不断更新、强化学习网络的策 略以提高推荐准确性 . 在两个公共数据集的实验中表明，本文所提出的算法与最先进的基线 算法相比，召回率指标在2个数据集上分别提升了8.87%和11.20%.