|
搜索
搜 索
高等教育領(lǐng)域數(shù)字化綜合服務(wù)平臺
.jpg){kind=logo}
基于模型預(yù)測的雙凸極永磁同步電機的電流控制方法
本發(fā)明公開了一種雙凸極永磁同步電機（DSPM）的電流控制方 法，包括如下步驟：得到八組逆變器開關(guān)矢量信號；在當(dāng)前時刻 k， 在每一組逆變器開關(guān)矢量信號下，預(yù)測下一時刻 k+1 的 p 相定子電流 其中，p 表示電機 A、B 和 C 相；在每一組逆變器開關(guān)矢量信號下， 根 據(jù)得到 d 軸和 q 軸的電流預(yù)測值；在每一組逆變器開關(guān)矢量 信 號 下 ， 計 算 下 一 時 刻 k+1 的 d 軸 預(yù) 測 電 流 誤 差 選取轉(zhuǎn)矩波動和磁鏈波動總量最小時的 開關(guān)矢量信號作為逆變器開關(guān)的驅(qū)動信號，實時控制逆變
華中科技大學(xué)
2021-04-14
一種基于逆向子結(jié)構(gòu)的有限元模型修正方法
本發(fā)明公開了一種基于逆向子結(jié)構(gòu)的有限元模型修正方法。該 方法包括以下步驟：首先，測量實際工程結(jié)構(gòu)的試驗?zāi)B(tài)，建立整體 結(jié)構(gòu)的試驗?zāi)B(tài)；通過獨立子結(jié)構(gòu)試驗?zāi)B(tài)參數(shù)和整體結(jié)構(gòu)試驗?zāi)B(tài) 參數(shù)之間的關(guān)系，將整體結(jié)構(gòu)的試驗?zāi)B(tài)分解為獨立子結(jié)構(gòu)的試驗?zāi)?態(tài)；然后，基于獨立子結(jié)構(gòu)的試驗?zāi)B(tài)建立目標(biāo)函數(shù)，調(diào)整獨立子結(jié) 構(gòu)參數(shù)，使目標(biāo)函數(shù)最小化，獲取子結(jié)構(gòu)最優(yōu)結(jié)構(gòu)參數(shù)，根據(jù)所述最 優(yōu)結(jié)構(gòu)參數(shù)修正獨立子結(jié)構(gòu)有限元模型；最后，根據(jù)結(jié)構(gòu)損傷前后有 限元模型結(jié)構(gòu)參數(shù)的變化完成結(jié)構(gòu)損傷識別。本發(fā)明通過修正獨立子 結(jié)構(gòu)模型，避免
華中科技大學(xué)
2021-04-14
考慮熱量積累效應(yīng)的相變存儲器單元 SPICE 模型系統(tǒng)及應(yīng)用
本發(fā)明公開了一種相變存儲器單元 SPICE 模型系統(tǒng)，包括：單 元電阻模擬模塊，用于模擬相變存儲器單元電阻；溫度計算模塊，用 于針對施加的連續(xù)脈沖序列，計算每個脈沖信號結(jié)束時刻考慮脈沖信 號下熱量積累效應(yīng)的存儲器單元相變層溫度；晶化速率計算模塊，用 于計算單位時間內(nèi)發(fā)生晶化的相變層體積；非晶化速率計算模塊，用 于計算單位時間內(nèi)發(fā)生非晶化的相變層體積以及相變模塊，用于選擇 晶化速率或非晶化速率計算非晶化率。本發(fā)明還公開
華中科技大學(xué)
2021-04-14
多參數(shù)模型指導(dǎo)的迭代提取血管造影圖像運動參數(shù)的方法
本發(fā)明公開了一種多參數(shù)模型指導(dǎo)的迭代提取血管造影圖像運動參數(shù)的方法，包括：從造影圖序列的醫(yī)學(xué)圖像中自動選取 I 個血管結(jié)構(gòu)特征點，并分別對這些特征點在整個造影圖序列中進行自動跟蹤，以得到每個特征點的跟蹤序列，利用離散傅里葉變換對每個特征點的跟蹤序列進行處理，以生成離散傅里葉變換結(jié)果 Si(k)，初始化迭代參數(shù) j＝0，并獲取離散傅里葉變換結(jié)果 Si(k)中各頻點的幅度和頻率范圍，在各頻點的幅度和頻率范圍中對該頻點的跟
華中科技大學(xué)
2021-04-14
一種云環(huán)境下基于信任模型的跨租戶訪問控制方法
本發(fā)明公開了一種云環(huán)境下基于信任模型的跨租戶訪問控制方 法，針對云計算多租戶架構(gòu)特點，實現(xiàn)一個租戶的用戶經(jīng)過相應(yīng)授權(quán) 可以訪問其他租戶的資源，解決租戶之間協(xié)作帶來的資源安全性和隱 私性問題。通過定義兩種類型的租戶信任關(guān)系，將租戶信任關(guān)系概念 引入訪問控制模型中，反映在兩個租戶之間的訪問控制需求。通過模 型元素的定義和模型函數(shù)的形式化描述，構(gòu)造了租戶信任模型，以適 應(yīng)云計算多租戶的特點，實現(xiàn)跨租戶訪問控制。
華中科技大學(xué)
2021-04-14
基于本體模型的網(wǎng)絡(luò)化控制系統(tǒng)入侵檢測方法及系統(tǒng)
本發(fā)明公開了一種基于本體模型的網(wǎng)絡(luò)化控制系統(tǒng)入侵檢測方法及系統(tǒng)。該方法構(gòu)建網(wǎng)絡(luò)化控制系統(tǒng)本體模型，基于該模型進行入侵檢測，并權(quán)衡決策后得到最終檢測結(jié)果。系統(tǒng)包括主節(jié)點，多個從節(jié)點，和負責(zé)消息傳遞的工業(yè)通信網(wǎng)絡(luò)；主節(jié)點負責(zé)完成自身的主機活動審計數(shù)據(jù)的收集、所有網(wǎng)絡(luò)報文的收集、主節(jié)點對應(yīng)的控制閉環(huán)流的檢測、控制對象檢測、整個系統(tǒng)所有節(jié)點主機活動審計數(shù)據(jù)的檢測、網(wǎng)絡(luò)活動檢測以及檢測結(jié)果的協(xié)調(diào)；各從節(jié)點負責(zé)完成該節(jié)點對
華中科技大學(xué)
2021-04-14
山體背景熱場模型約束的地下熱源晝間遙感探測定位方法
本發(fā)明公開了一種山體背景熱場模型約束的地下熱源晝間遙感·769·探測定位方法，屬于遙感技術(shù)、自然地理和模式識別的交叉領(lǐng)域，意在于對山體背景進行熱場仿真，得到山體背景的熱場模型，以熱場模型為約束，對原始遙感紅外圖像進行背景濾波，清晰的揭示地下目標(biāo)所在的位置。本發(fā)明包括山體背景熱場模型建立步驟、山體背景熱場8 位到 16 位映射步驟、利用映射后的山體背景熱場模型進行背景濾波步驟、地下目標(biāo)空間約束均值聚類探測
華中科技大學(xué)
2021-04-14
.jpg){kind=logo}
一種基于近鄰原則合成情感模型的說話人識別方法
本發(fā)明公開了一種基于近鄰原則合成情感模型的說話人識別方法，包括：(1)訓(xùn)練出參考語音和用戶中性語音的模型；(2)提取GMM參考模型的中性-情感高斯分量映射集；(3)提取與用戶的中性訓(xùn)練高斯分量鄰近的若干中性參考高斯分量映射的情感參考高斯分量；(4)合成出用戶的情感訓(xùn)練高斯分量，進而得到用戶的情感訓(xùn)練模型；(5)合成出所有用戶的GMM訓(xùn)練模型；(6)輸入測試語音進行識別。本發(fā)明采用基于KL散度的近鄰原則從語音庫中提取若干與用戶的中性訓(xùn)練語音相似的參考語音，用參考語音中的情感參考語音合成出用戶的情感訓(xùn)練語音，改善了在訓(xùn)練語音與測試語音失配情況下說話人識別系統(tǒng)的性能，提高了說話人識別系統(tǒng)的魯棒性。
浙江大學(xué)
2021-04-13
.jpg){kind=logo}
基于聚類分析的復(fù)合材料結(jié)構(gòu)有限元模型修正方法
本發(fā)明提供了一種基于聚類分析的復(fù)合材料結(jié)構(gòu)有限元模型修正方法，建立初始有限元分析模型，測得結(jié)構(gòu)的實驗?zāi)B(tài)頻率和模態(tài)振型，計算待修正參數(shù)的相對靈敏度矩陣，利用分層聚類算法對待修正參數(shù)進行參數(shù)分組，再對聚類參數(shù)進行相對靈敏度分析，選擇各參數(shù)中相對靈敏度平均值最大的聚類參數(shù)進行修正，構(gòu)造分析模型的模態(tài)頻率和實測模態(tài)頻率的殘差向量，建立分析模型修正所需的目標(biāo)函數(shù)，構(gòu)建目標(biāo)函數(shù)的優(yōu)化反問題對復(fù)合材料結(jié)構(gòu)的有限元模型進行修正。本發(fā)明結(jié)合數(shù)值模擬、試驗和優(yōu)化技術(shù)，采用參數(shù)的相對靈敏度矩陣進行聚類分析，減少待修正參數(shù)數(shù)量，提高修正程序穩(wěn)定性，為工程應(yīng)用提供了一種準(zhǔn)確的基于數(shù)值模擬、試驗和優(yōu)化相結(jié)合的復(fù)合材料等效有限元模型參數(shù)修正方法。
東南大學(xué)
2021-04-11
大學(xué).jpg){kind=logo}
基于多模態(tài)融合模型的平板顯示視覺舒適度預(yù)測方法、系統(tǒng)
本發(fā)明涉及顯示技術(shù)與人機交互交叉領(lǐng)域，提供基于多模態(tài)融合模型的平板顯示視覺舒適度預(yù)測方法、系統(tǒng)，其中方法包括：步驟一、采集原始圖像集，針對每一原始圖像，運用生成對抗網(wǎng)絡(luò)模型將輸入的隨機序列轉(zhuǎn)換為增強素材，再將增強素材和原始圖像按預(yù)設(shè)比例融合，獲得若干新圖像；步驟二、采集生理特征和物理特征，獲得訓(xùn)練樣本；步驟三、基于堆疊集成框架訓(xùn)練多模態(tài)融合模型；步驟四、輸入測試數(shù)據(jù)，獲得視覺舒適度預(yù)測結(jié)果。本發(fā)明旨在解決平板顯示視覺舒適度預(yù)測領(lǐng)域高質(zhì)量標(biāo)注樣本稀缺、單一模態(tài)分析耦合關(guān)系缺失、場景適配性差的問題。
南京工業(yè)大學(xué)
2021-01-12