信号处理与深度学习硬件加速的一致性计算结构

在计算需求层面对多种典型信号处理算法与深度学习算法进行了分析与模块化分解,提取了两类应用共有的且适合并行硬件加速的计算模块,提出了信号处理与深度学习的一致性计算模型,并基于一致性计算模型设计了控制与计算分离的层次化处理单元与阵列化计算结构。通过对不同应用计算过程的软件定义能够实现信号处理与深度学习的一致性硬件加速计算,基于Zynq计算平台从重构效率与计算性能两个方面对一致性计算模型与计算结构进行了验证,结果表明：基于一致性计算模型的软件定义可重构计算结构,具有较高的计算性能与重构效率。     

涡轮盘疲劳寿命可靠性设计仿真及优化策略

涡轮盘是航空发动机主要部件之一,一旦发生破坏性故障将导致严重的后果。在充分考虑影响涡轮盘高低周复合疲劳寿命因素不确定性基础上,以MATLAB为平台,设计了涡轮盘高低周复合疲劳寿命可靠性优化设计的联合仿真平台。利用寿命函数和寿命可靠性分析极限状态函数中的共性需求,提出了在优化迭代的过程中自适应构建寿命函数Kriging模型和寿命可靠性极限状态面Kriging模型时共用训练样本点的策略。同时,提出了一种构建寿命函数Kriging模型的学习函数。使用所搭建的疲劳寿命可靠性优化设计平台,完成了某型涡轮盘盘心、榫槽以及涡轮盘系统高低周复合疲劳寿命的可靠性优化设计。结果表明,最优设计方案的局部最大应力显著降低,均值寿命大幅提高,并满足可靠性约束。     

一种巡逻执勤目标检测算法研究

巡逻执勤是具有重要意义的安全维稳行动,但是巡逻环境复杂、目标多样、检测难度大的问题十分突出,所以如何准确、实时检测巡逻执勤目标具有重大现实意义。为了提升对巡逻执勤目标检测的准确性和实时性,基于YOLOv5算法进行改进。为抑制巡逻环境带来的干扰,结合ECANet注意力机制进行改进,提高被检测目标显著性;同时为保证较好的实时性及多尺度目标检测能力,引入BiFPN网络结构。将改进算法与原始算法进行比较,mAP提升3.51%;与4种算法进行了对比实验,结果显示该算法能较好地降低巡逻执勤目标检测因检测相似、尺度多样、光照干扰等问题带来的影响,进一步验证了该算法在巡逻执勤目标检测任务中的有效性。     

揭示伟大思想的实践源头和思想源头——“习近平在地方工作系列采访实录学习感悟”组文编辑谈

任何理论都有其实践源头和思想源头。习近平新时代中国特色社会主义思想的实践源头和思想源头,无疑要循着这一伟大思想的主要创立者习近平的成长历程去追索。近年来,中共中央党校出版社陆续推出了习近平在地方工作的采访实录。我刊第一时间跟进书籍出版,围绕发掘习近平新时代中国特色社会主义思想的孕育发展过程,揭示这一伟大思想的理论逻辑、历史逻辑、实践逻辑,展开组稿、选稿、编稿。     

对大学生党史学习教育的几点思考

开展大学生党史学习教育，首先要明确其目的，这是保证活动顺利进行和取得良好效果的前提。大学生党史学习教育教师应该用有血有肉的、真实的历史故事作为载体，吸引并带动学生，让学生回到故事发生的时代，真实地感受党的奋斗历程。大学生党史学习教育不应该局限于活动本身，而是实现中共党史与社会主义发展史、新中国史和改革开放史内容上的有效结合，与大学生思想政治理论课相关部分充分联系，与各专业课程相互交融，拓宽教育视角，以取得更广泛的成果。     

深挖活用陕西红色资源做深做实党史学习教育

陕西地区红色资源深厚。新征程中盘清陕西“红色家底”,深耕红色沃土,用活红色资源,是推进党史学习教育走深走实的“助推器”。紧扣红色资源“供给侧改革”,从“三大群体”入手,利用好“三个主渠道”,是系统构建党史学习教育走深走实的有效路径。     

一种高精度六面体广义协调元

在八节点六面体等参单元的基础上在其各个面的法向方向上增加一个自由度 ,同时为了提高精度 ,改善其性能 ,消除几何敏感性 ,又引入七个非协调的内部位移函数和一个泡状函数作为附加位移。数值计算表明该单元的性能良好。     

一种捷联惯导系统姿态测量新算法的应用研究

为改进捷联惯导系统姿态矩阵的解算、实时计算等问题,本文引入四元数三阶泰勒展开递推式作为捷联惯导系统的姿态更新算法,着重解决了使用三阶泰勒展开递推式进行姿态计算的方法,并对某陆地捷联惯导系统的量测数据,用C语言进行了相应的仿真.本文的工作为改进捷联惯导系统算法提供了参考依据.     

具有规范化的四元数递推计算的公式误差估计

对捷联式制导系统中目前常用的四元数递推公式进行误差估计,给出利用观测数据计算四元数的误差界的公式,还介绍了保持四元数范数不变的一类递推公式。     

长短周期记忆网络微调的氧气浓缩器寿命预测模型迁移

针对寿命预测模型迁移问题,提出了一种长短周期记忆网络微调(long short-term memory fine tune, LSTM-fine-tune)的迁移模型,利用理想条件下的试验数据对模型进行训练。在迁移过程中,对部分LSTM网络层进行冻结,利用实际服役环境下的数据对网络其他部分进行修正。为验证模型的泛化能力,采用不同相位与幅值的正弦函数生成数据,通过学习数据获取正弦函数的经验知识,并应用至其他正弦函数的回归,结果表明LSTM-fine-tune模型能够快速拟合,平均均方误差仅为1.033 5,明显低于直接预测误差1.536 8。为通过实际监测数据检验本方法泛化能力,分别获取了试验条件下与实际服役环境下氧气浓缩器的数据,对模型的泛化能力进行验证。结果表明,迁移后训练集预测精度提高了43.0%,测试集预测精度提高了20.2%。