基于残差NLSTM网络和注意力机制的航空发动机剩余使用寿命预测

针对长短期记忆（LSTM）网络对于多维数据特征识别和提取上存在不足的问题，在其改进模型嵌套式长短期记忆（NLSTM）网络的基础上，提出了一种基于注意力机制和残差NLSTM网络的剩余使用寿命预测方法。该方法将双层NLSTM网络代替残差块中的主网络，保留捷径连接中的卷积神经网络结构，既能充分提取时序特征又能保证有用数据在网络层中的跳层传递，并融入注意力机制构建多层残差网络，注意力机制的使用能够选择出对预测结果有重要影响的信息，有效提高预测的准确率。在航空发动机退化实验数据集上进行实验分析，结果表明：所述方法能有效建立监测数据与发动机健康状态之间的关系，剩余使用寿命预测误差较未改进残差结构方法平均降低10.8%，比未融入注意力机制方法平均降低18.9%，有效提高了预测精度。     

基于鸽群优化算法的实时避障算法

为保证机器人能安全无碰撞地抵达目标位置，提出一种在改进版圆形扩张（CSE+）法中融合鸽群优化算法的实时避障算法。所提算法引入对障碍物密集程度的判断机制，在障碍分布密集时选择最安全的路径，在障碍物分布稀松的环境中，利用鸽群优化算法在安全范围内寻找下一目标最优位置。此外，还引入了搜索树，可实现死角的检测与避免。仿真结果显示:所提避障算法能提高路径规划的性能，在障碍物分布稀松时效果更加明显，且可实现死角检测并能通过狭长通道。      

一种改进X-best引导个体和动态等级更新机制的鸡群算法

在群智能算法的改进中，常利用优秀个体加速算法收敛，但对其依赖过度会导致种群多样性和算法全局收敛性下降的现象。对此，提出一种改进X-best引导个体和动态等级更新机制的鸡群算法。首先，在个体更新阶段不仅引入优秀个体加速收敛，并且通过普通个体对优秀个体的影响进行适当平衡，因此，优秀个体与普通个体的信息都能得到利用，进而种群多样性和算法全局收敛性得到提升。其次，通过对等级更新参数进行动态优化，加强了种群等级更新机制对算法收敛的促进作用。最后，经过时间复杂度与收敛性分析，证明了改进算法仍具有简单性和全局收敛性。仿真结果表明:所提出的改进算法较其他对比算法在寻优精度、寻优成功率和收敛速度等方面都具有明显优势。      

多斜率自适应卷积神经网络激活函数

针对卷积神经网络中激活函数无法有效为处于不同激活程度的像素点提供特定梯度响应的问题，设计了一种由多个分段线性函数组成的自适应激活函数.首先依据像素激活值的取值范围，自适应地生成多个独立的激活域，各个激活域的并集包含激活图中全体像素点的激活值；随后在每个激活域中学习一个特定的线性函数，为处于该激活域中的像素点提供特定的梯度响应；最后以NIN网络和ResNet18网络为例，在CIFAR 10和CIFAR 100数据集上，验证所提激活函数的性能.实验结果表明，与现有激活函数相比，本文提出的激活函数，由于能够更好地为处于不同激活程度的像素点提供适当的梯度响应，使分类准确率在NIN网络上分别达到87.96%和69.01%，在ResNet18网络上分别达到88.56%和73.54%.     

SQC技术在质量改进中的应用

概要介绍了SQC技术的基本内容及其在涡轮叶片质量改进全过程中的应用实例。以事实说明了SQC统计质量控制技术在质量改进中 ,可以使生产过程处于受控状态 ,降低产品的不合格率 ,大大提高产品质量 ,它是质量改进过程中十分重要的工具。     

提高质量管理有效性的方法与途径

质量管理 有 效 性 体 现 在 组 织 的 产 品 和 服 务 质 量 、 顾 客 满 意 度 以 及 组 织的 效 益 等 方 面 , 提 高 质 量 管 理 的 有 效 性 , 组 织 应 树 立 以 顾 客 为 关 注 焦 点 的 思 想 , 发 挥领 导 作 用 , 全 员 参 与 , 对 质 量 管 理 过 程 进 行 监 视 和 测 量 , 加 强 内 部 沟 通 , 持 续 改 进 ;建 立 完 善 的 文 件 控 制 系 统 , 从 而 从 客 观 上 评 价 质 量 管 理 体 系 的 有 效 性 和 适 宜 性 。     

虚拟现实系统中立体显示算法的研究

实时生成三维立体图形是虚拟现实(VR)的一项核心技术.文中对基于投影变换的立体显示算法、基于相关性理论的立体显示算法以及基于计算机生成全息的立体显示算法等进行了研究.     

移动机器人在部分未知环境中作业的定位算法

通过对移动机器人在部分未知环境中的运动分析,结合多传感器信息,提出一种新的移动机器人在未知环境中的定位算法.该算法可根据移动机器人的运动过程,不断更新其位置状态,并能对下一步位置状态进行预估计,然后根据实测传感器信息对预估值进行修正,获得实际位置状态.     

基于实例推理技术及其研究发展方向

基于实例的推理技术（Case- Based Reasoning ,CBR）是人工智能及机器学习领域中的前沿方向.作为一种增量式的学习方法,规避了传统人工智能在知识获取上的瓶颈问题.本文介绍了CBR的基本原理、实例中知识的表示方法和Tverskey和k-NN两种检索技术;详细讨论了CBR实现过程中的中心问题--实例修正问题,给出实例的修正的8种技术与方法;提出了基于实例的推理技术的研究重点和发展方向.