一、MARC模板库简介(论文文献综述)
白邓宇[1](2021)在《道岔故障预测与健康管理系统中关键技术的研究》文中研究说明在高速铁路蓬勃发展的今天,作为其主要构成之一——信号系统愈发受到关注。道岔系统的正常、稳定、高效的工作则是保证信号系统安全的重要前提。自我国铁路行业建设运营以来,无论是纯粹的人工检修或者是现如今的微机监测结合个人经验完成检修,对于道岔系统的维检修工作主力依旧是现场工作人员通过人工观察、综合个人经验来完成。该方法容易受到工作人员现场经验、知识水平等因素的影响,导致结果出现滞后、错判、漏判等情况,并且可能导致过维修或欠维修的现象,这与当前铁路行业的快速发展提出的高安全性和运营稳定性的要求并不符合。本文针对此类情况,借助故障预测与健康管理(Prognostic and Health Management,PHM)体系的知识,提出使用曲线相似度对设备状态进行评估,预测可能出现的故障类型,使用多次信息融合的方法对处于故障阈值以下的设备进行故障诊断,并将二者的结果进行对比,输出最终的判决结果。主要研究内容如下:首先分析当前研究现状,整理归纳领域内的主流研究成果,分析现有研究的优势特点以及不足,并对道岔的设备构成情况及工作机理通过图例进行说明,将其一次动作过程分为三个阶段,分别标注为T0,T1,T2,为后文继续处理打下基础;结合南宁电务段微机监测调阅室所统计的2016-2019年的调阅信息以及设备台帐记录,总结出出现频率较高的故障类型,并分析导致其出现的因素,建立故障库。其次针对健康状态评估需要高实时性、长期监控等特点,而现有方法需要大量数据且较难获取的情况,提出通过相似度对设备状态完成评估及故障预测。利用第2章的常见道岔故障类型作为本文的故障曲线库,选择道岔微机监测生成的电流及功率曲线作为研究对象,使用快速鲁棒性特征算法(Speeded-Up Robust Features,SURF)算法完成预提取,提高计算实时性;并通过Hausdorff距离得到目标曲线和正常状态样本的相似度,定义相应的健康值;对于已经故障的设备,计算与故障库样本曲线的相似度,相似度最高的样本库内曲线对应的故障即为其可能出现的故障类型,并将此步作为整个系统的纠错机制与第4章方法进行比较。通过实例分析对该方法进行验证。然后对处于故障判断阈值以下的设备提出一种通过三域信息多层融合的道岔系统故障诊断模型。首先针对道岔功率曲线提取其时域,值域以及小波域特征信息,然后使用核主成分分析法(Kernel Principal Component Analysis,KPCA)降维;将降维后的特征值输入到深度置信网络(Deep neural network,DBN)、核极限学习机(Extreme Learning Machine with Kernel,K-ELM)、自组织映射神经网络(Self-organizing feature Map,SOM)模型中,进行第一次信息融合,得出初步诊断的结果;将三种智能方法的判决结论作为证据理论的基本概率赋值(Basic Probability Assignment,BPA)完成第二次信息融合,并将结果与第3章的预测结果进行对比,输出最终的故障判决,通过现场实际数据的验证,证明了本文方法的有效性。最后通过编写本文所述两个模型的实际软件程序,并在现场进行测试。软件包括:系统界面、数据采集、故障库、故障预测及诊断、故障类型增加、设备台帐展示、历史健康状态调阅等。通过Bently软件搭建其三维场景模型,并通过轻量化引擎实现模型与数据的实时关联,完成整个系统和站场的可视化监测。
赵红燕[2](2021)在《基于框架语义表示的关系抽取技术研究》文中进行了进一步梳理关系抽取是信息抽取的关键任务,其目的是从给定的自然语言文本中识别实体与实体之间的关系,并转化为人机可读的结构化形式存储。该任务不仅对知识图谱构建和扩充具有重用的作用,而且在智能搜索、自动问答及知识推理等任务中具有重要的应用价值。传统的关系抽取方法依赖特征工程和关系抽取模式,无法满足动态海量文本关系抽取的需求。近年来,随着深度学习技术在自然语言处理不同任务上的成功应用,深度学习成为关系抽取的主流方法。基于深度学习的关系抽取能够从大规模文本中自动学习关系表达的语义特征和关系模式,在性能上已经显着超越了传统模型,但仍然在语义表示、远程监督噪音、数据不平衡等方面存在着亟待解决的问题。框架语义知识库,从人类认知角度出发,以框架为研究对象,通过词元、框架元素、框架关系等框架语义要素对实体、实体之间的关系以及实体参与的事件等语义场景进行了细粒度的刻画。在基于深度学习的关系抽取模型中,引入框架语义要素实现实体语义场景表示,能够增强实体上下文语义表征,改善关系抽取模型的性能。为此,本文围绕关系抽取的挑战问题,结合框架语义知识,从框架识别及框架语义要素抽取、关系抽取语义表示、远程监督关系抽取噪音以及关系抽取的数据不平衡四个方面展开研究。本文主要研究内容和贡献如下:(1)框架识别与框架语义要素抽取。框架识别是本文所有研究的一个基础性工作,它直接关系到对实体语义场景描述的是否准确。为此,本文提出了一种基于DNN的汉语框架识别模型,利用依存关系及依存词的词向量等特征表示目标词的上下文,通过神经网络自动学习目标词的上下文特征。为了使重要特征获得更大的关注,提出了一种基于两级注意力机制的卷积神经网络框架识别模型。该模型分别在输入层和池化层引入注意力机制,引导模型在学习过程中更关注和目标词密切相关的词和n-gram特征;采用多尺寸的滤波器,捕获不同粒度的特征,模型性能显着好于所有基线模型。在框架识别的基础上,提出了单框架语义要素抽取算法和扩展框架语义要素抽取算法,为基于框架语义关系抽取的相关任务提供技术支持。(2)基于框架语义和序列特征的关系抽取。针对神经关系抽取模型的语义表示问题,提出了一种融合框架语义和序列表示的关系抽取模型。研究了基于注意力机制的单框架语义要素融合方法和基于注意力机制的扩展框架语义要素融合方法;提出了多层次框架语义要素融合模型,在实体对语义场景表示中充分考虑了框架内和框架间的语义信息;在此基础上,提出了一种基于框架语义要素和序列特征相结合的句子表示模型;使用自注意力机制的Transformer神经网络架构建模实体提及之间的长距离依赖,在中英文数据集上均优于所有的基线模型。(3)基于框架语义上下文感知的远程监督关系抽取。针对远程监督关系抽取的噪音问题,提出了一种基于规则的实例选择方法和基于框架语义上下文感知的远程监督关系抽取模型。首先通过基于规则的方法对包中的实例进行选择,为关系抽取模型提供更加干净的训练实例;提出了层次化的框架语义表示模型,通过两层注意力机制使模型在框架语义表示时更加关注对目标关系重要的框架和语义场景,实现了基于框架语义的远程监督关系抽取。实验结果表明提出的方法能够有效降低远程监督关系抽取的噪音问题。(4)基于框架语义和多实例学习的非平衡数据关系抽取。针对关系抽取标注数据不平衡问题,提出了一种基于框架语义和多任务学习的关系抽取模型。该模型在实体上下文表示时引入实体对语义场景的框架表示,旨在从小样本关系实例中学习一种通用的实体上下文表示模式,缓解样本不平衡问题;引入语义场景的表示,增强了正例和负例的区分度,减弱负例对模型性能的影响;针对负样本过多问题,采用多任务学习方法,把关系抽取任务分为关系识别和关系分类两个子任务,使用参数共享机制,联合优化两种任务的目标函数,降低了负样本对关系抽取性能的影响。
蔡武豪[3](2021)在《基于SolidWorks的静压造型主机参数化设计研究》文中认为在响应国家节能减排的大背景下,为促进我国制造业的绿色升级,实现铸造装备静压造型主机设计的绿色化和轻量化具有重大意义。静压造型主机是一款用于中小型铸件砂型造型的大型铸造机械装备。因其制作砂型浇注出的铸件加工余量少,成型期间压力平稳而被广泛应用。随着铸件产量逐年增多和对铸件要求的提高,静压造型主机的更新迭代速度不断增快,为了响应市场竞争需要,满足客户要求,传统的基于二维图的静压造型主机设计方式效率低、成本高,可靠性难以保证,已经不能适应市场的发展。参数化设计方法是将机械装备中的零件或装配体中的相关参数用一定的参数关系关联起来,通过给定机械装备的关键参数,可以智能驱动更新生成不同尺寸规格的机械装备设计方案。因为不同尺寸规格的静压造型主机其结构拥有一定的相似性,因此其适合参数化设计。本文以实际生产的静压造型主机设计为研究内容,以现有的静压造型主机各尺寸规格的二维图纸和设计规范为基础,对静压造型主机从整体到部件到零件不同层次的二维图纸进行了分析、归纳和总结。确定了以砂箱长度和宽度作为参数化设计的初始驱动参数,分析统计了静压造型主机各零部件之间的参数化关联关系,其中砂箱的尺寸由其生产铸件的工艺参数决定。并以三维图形设计软件SolidWorks为基础,建立砂箱和静压造型主机完备的三维参数化模型库和二维工程图库。本文以Visual Studio 2017为开发平台,以C#为开发语言,设计并二次开发了具有良好人机交互界面的静压造型主机参数化设计系统。通过铸件的铸造工艺参数确定砂箱尺寸的关键驱动参数,系统依据此参数可快速驱动生成相应规格尺寸的静压造型主机和砂箱的装配整体、部件及零件的三维图和二维工程图,同时生成包含用于指导生产的静压造型主机所有零件信息的BOM表用于生产的智能化管理。用该系统设计静压造型主机可提高设计效率.5倍以上。在参数化设计生成所需规格的静压造型主机之后,需要验证参数化设计关联关系及设计规范的可靠性及准确性,因此通过SolidWorks Motion进行了静压造型主机整体机构的运动仿真,检验参数化驱动生成的静压造型主机运行期间是否存在干涉碰撞等结构问题。为了验证参数化驱动设计生成的静压造型主机结构的可靠性。本文还通过SolidWorks Simulation进行砂箱和静压造型主机零部件的有限元静应力分析,完成了静压造型主机各零部件的力学性能校核,结果表明该系统参数化驱动生成的静压造型主机零部件满足力学性能要求。本文所研究静压造型主机参数化设计系统具有诸多优点。首先,它覆盖了静压造型主机设计过程中所需要修改的所有零件,不仅实现了传统机械设计从二维图到智能参数化三维设计的突破,并实现了生产的智能化管理。因为零件尺寸由程序生成,也极大保证了设计的可靠性;其次,设计者只需要输入关键参数即可快速智能化生成相应规格尺寸的砂箱和静压造型主机,极大地提高了设计效率,可以将设计者从繁琐的计算和改图中解脱出来,投入到更具创新性的设计中。第三:通过对生成的静压造型主机和砂箱的运动仿真以及有限元分析,保证了参数化设计的科学性和合理性。第四:完成了静压造型主机的参数化设计,可以向近净成型静压造型线的其他分机的参数化设计扩展,最终完成整条静压造型线的参数化设计,并且对于其他大型非标机械装备的参数化设计,也有极大的指导意义。
刘译泽[4](2021)在《A企业工艺数据协同管理平台的研究与实现》文中进行了进一步梳理随着制造业数字化进程的不断推进,引进先进的设计与制造系统已成为提高企业竞争力的重要途径之一。然而各个软件的应用单元都自成体系,彼此之间缺少有效的信息共享和利用,另外随着产品数据的日益增多,以及系统之间无法进行集成造成的“信息孤岛”现象,都严重制约了企业设计生产效率的进一步提高。并且作为设计和制造之间的纽带,能否高效地对产品工艺的数据进行管理也将直接影响到企业整体生产系统的效率。A企业在现有的应用工艺设计模式下对产品进行工艺设计时存在经验工艺知识复用难、工艺路线设计规范性差、工艺资源配置效率低以及纸质工艺文档便携性差、不易保存等诸多问题,为解决以上问题本文结合企业对数字化工艺设计系统的业务需求,设计了基于Teamcenter平台和安卓APP协同管理工艺数据的总体方案。以Teamcenter数据平台为基础,通过在集成环境下解决系统工艺信息管理、工艺设计、工艺资源配置和工艺规程发布等核心问题,打通当下基于模型模式下设计与制造之间的信息阻碍,实现工艺设计流程高效执行的目标。为提高工艺数据访问的便携性,同时考虑到当前移动设备和5G技术的快速发展,本文开发了一款安卓APP应用,实现了移动端对工艺数据的实时访问。本文结合用户真实业务实例,来验证执行流程的可行性和稳定性。具体研究内容如下:(1)工艺资源优化配置研究。本文通过对工艺资源进行分类建设工艺资源库,主要分为标准库、工序名称库、工艺术语库、工艺问题库、工艺参数库、典型工艺库、工艺路线库和工艺模板库,在某些工艺能固化下来的情况下将此工艺作为典型模板工艺,能最大程度的提升工艺人员的制造工艺BOP的效率,减少工艺设计的错误率。建立工艺资源库可以使企业的工艺知识实现高效利用,并且能够在现有工艺知识的基础上进行不断升级。(2)工艺派生设计技术研究。通过实际调研显示当前大多数的产品工艺都存在着与上一代高度相似的情况,因此可以抽象出此类产品的工艺模板,通过工艺派生设计来规划新的工艺路线,提高工艺设计效率。(3)工艺规程报表输出技术研究。基于工艺人员编制好的工艺Bom Line通过Teamcenter二次开发对工艺信息进行提取、映射和汇总,输出电子版工艺规程报表。(4)工艺数据协同管理技术研究。本文开发了一款工艺数据管理安卓APP,在企业内部局域网调用Web Service服务完成与客户端的数据交互,实现对工艺数据的协同管理。本文对工艺管理协同平台的开发以及安卓APP的应用,能够使数据在高效管理的同时实现工艺人员的实时访问,为提高工艺数据流转效率、推动企业数字化转型提供了有力的支撑。
杨绪勇[5](2021)在《基于美学感知的多媒体图文智能合成研究》文中研究指明多媒体图文智能合成一直是工业界和学术界的新兴热点话题。视觉元素与可读文字的良好结合,可以达到赏心悦目的效果,因此具有巨大的商业潜力。虽然该领域活跃而重要,但由于异质的媒体元素、美的抽象性、设计原则和布局优化等原因,基于美学感知的多媒体图文智能合成仍然具有挑战性。本文进行了基于美学感知的多媒体图文智能合成研究,对人的美学感知进行建模和挖掘,让机器能理解、辅助和自动合成有美感的图文展示。希望该研究工作能帮助设计师减少重复工作而有更多精力实现创意创造,也赋能普通人实现有美感的设计。对于美学感知的表达,本文有以下发现:美感可以被设计在美学模版中,其中包含布局美学和颜色美学的数学模型以及文本位置、大小、字体和颜色的相互约束关系,本文验证了美学模版能实现专家美学经验的有效传递;本文也发现了图文合成中的设计样式和图像本身的颜色风格有极大的相关性,因此相似颜色风格的多媒体图文有极相似的设计风格和美学感知;本文还发现深度神经网络能对设计作品的美学感知进行有效的编码,表达出更多隐藏的特征。基于这些发现,本文主要研究内容和创新成果如下:1.提出一种基于美学模版的可计算图文智能合成框架。本文利用模版中的自上而下的美学原理,结合图文分析中自下而上的元素特性,构建一套可计算的系统框架,将文本排版问题建模成在模版美学约束条件下的能量最小化问题,并借助模版中的美学模型对文字颜色等属性完成求解,从而实现图文智能合成。该工作因为对美学感知的创新表达方式以及实现了计算美学在图文合成领域的有效应用,获得TOMM授予了 2017年年度最佳论文奖。2.提出一种基于深度学习的图文合成颜色推荐算法。本文通过有美学得分的颜色主题数据训练学习颜色和谐性评分子网络,并通过设计作品数据集训练学习文字可读性评分子网络,最终设计了图文合成过程中文字颜色的推荐网络,辅助图文智能合成。3.提出一种基于颜色风格特征提取和检索的方法进行设计样式推荐。基于对设计样式的研究,本文设计出高效而准确度量的图像颜色风格特征,以及特征之间有效的距离度量,实现一种基于图像颜色风格的检索方法,帮助寻找到与当前图像有相似设计风格的多媒体图文,对图文合成的字体样式和颜色进行推荐,辅助图文智能合成。4.提出一种基于深度学习的图文智能合成神经网络。该网络模仿设计师的设计行为,在每一个阶段,网络会根据上一阶段得到的结果,预测本阶段待加入文本的位置、大小、样式和颜色属性。逐层预测后,网络对所有阶段的预测结果进行融合得到最后的输出,实现基于深度学习的全要素预测图文智能合成。深度学习的方法能发现图文设计作品中隐含的美学原理,合成结果拥有相对传统方法更好的创新性和设计感。
刘静[6](2021)在《COSMOS天区恒星形成星系的主序关系研究》文中指出恒星形成星系的恒星形成率与恒星质量之间存在的密切关系称为恒星形成星系的主序关系。准确测定;研究主序关系的斜率、截距以及弥散等数据;关于这些数据的一定分析;可以推断出星系形成与演化的物理过程以及对观测具有一定的约束。通过对于不同红移范围内的星系的主序关系的研究,可以判定星系的形成与演化随红移的演化趋势。本文通过对COSMOS天区中的R波段星表数据进行了必要的修正处理、计算以及统计分析。COSMOS巡天是专为探索星系的形成与演化而做的一次天文巡天,是第一个涵盖足够大的区域巡天,其覆盖范围可达2平方度,其中的R波段星表覆盖了从u到MIPS24波段的30个观测数据,其中包含18个宽波段测光和12个中等波段测光,观测数据有773712个。此表中具有大量的数据基础,为研究星系的主序关系提供了坚实的保障。以此测光数据为基础,计算了研究所需要的测光红移、恒星形成率以及恒星质量,以下为本文的主要框架:本文第一部分,背景介绍。在本章中对所要研究的星系主序关系做了简要的介绍,此处的介绍包括:宇宙的结构、星系的演化以及星系分类的相关背景等。本章最后将对前人所作的恒星形成星系主序关系的研究进行总结。第二部分,数据处理。在此部分详细介绍了本文所使用的测光数据,并将测光数据做了一些必要的修正及处理,本文选用EAZY软件计算得到测光红移。选用FAST软件计算得到恒星质量并对不同的恒星形成率的计算方法进行了简单介绍。第三部分,建立样本及主序关系的建立。在本章中首先对两种恒星形成率的计算方法进行了比较、讨论及选择。通过对测光数据的修正处理及计算后,筛选出了红移范围在0到2之间且恒星质量范围在109太阳质量以上的恒星形成星系,建立了研究恒星形成星系主序关系的样本。以此样本为基础,进行了不同红移范围内恒星形成星系主序关系的拟合,并对不同红移范围主序关系的斜率、截距以及弥散进行了分析。在本文中,随着红移的不断增加,斜率在不断趋向于平缓,对于弥散而言,恒星形成星系由z~1以来是大致恒定的,而对于不同红移处的零点而言,随着红移的增加,也在逐渐增加,主序整体的变化趋势与前人的工作大体相同。第四部分,在此章节主要将本文所作工作与前人的工作进行了比较与讨论,根据不同红移处主序关系的斜率、截距和弥散进行了进一步的讨论。在最后一章中,简要的总结了本文的研究意义、研究过程以及最终的结论。随着天文设备的不断更新、研究算法的不断改进,日后主序关系的研究将更完善、全面。
李春通[7](2020)在《基于知识工程的集装箱船绑扎系统智能设计及其非线性动力学研究》文中研究指明绑扎桥结构设计是一个多学科、多目标和多约束的复杂课题,其设计过程主要依赖专家经验及设计规范等关键知识。目前其设计过程还主要依赖于专家经验及设计规范等关键知识。此外,行业中有关集装箱和绑扎设备的大部分研究和使用的规范都与静态情况相对应,这与实际海运是不相符的,凸显出各船级社对绑扎桥结构设计规范的不完善和试验研究方法的空白。现如今,鉴于应用知识工程可实现知识的重用且能够提高结构设计的准确度和效率等优点,本文基于知识工程对超大型集装箱船绑扎系统智能设计和非线性动力学行为展开了细致的研究。主要进行的工作分为以下部分:(1)基于知识工程(KBE,Knowledge-based Engineering)和三维设计软件(CATIA)对绑扎桥的典型结构,进行数字化智能设计程序开发。构建了设计规范库、专家经验库、标准件库以及母型船绑扎桥数据库等多个知识库,实现了基于母型船的绑扎桥结构的推理设计。设计过程遵循CCS、LR和CSS规范,实现了对设计结果自我检测、自动检测报告生成和设计结果的3D展示。(2)基于知识工程理论、三维设计软件(UG NX)和有限元分析软件(Nastran/PATRAN),开发了绑扎桥结构的有限元分析和多目标优化平台。具有绑扎桥的有限元模型构建、静强度和模态分析以及在主机和螺旋桨激励下的振动响应分析等功能。构建了多目标优化数学模型与知识库,实现了与有限元分析结果的数据融合,能够开展绑扎桥结构的轻量化、静力学和动力学的多目标优化设计。优化结果满足制造、人机工程学和安全性的要求。(3)对某20000TEU超大型集装箱船的绑扎桥和横舱壁的1/10缩尺模型开展了静强度和模态试验,测得了绑扎桥结构的变形、应力分布和模态等力学行为特征。构建了绑扎桥和船体结构的有限元模型,数值模拟了横舱壁的不同建模范围对绑扎桥结构静力学和动力学的影响。探究了绑扎桥刚度与CCS、LR规范建议值之间的差异及产生的原因。(4)针对四层20-ft ISO货运集装箱堆垛和绑扎组件的缩尺模型,在典型的横摇和纵摇运动激励下,通过试验、数值模拟和理论计算方法,分析了激励幅值(角度)和频率、钮锁间隙、集装箱堆垛配重、绑扎方式(内绑扎和外绑扎)、绑扎组件的刚度等基本变量对钮锁载荷(分离力和剪切力)、绑扎力和集装箱堆垛变形等的影响。研究发现,与内绑扎方式相比,外绑扎更适合用于高堆垛和重积载的情况;不同的绑扎方式、绑扎力、钮锁载荷及钮锁间隙之间具有相互耦合的效应。(5)通过试验测试和数值模拟获取了某20000TEU集装箱船绑扎桥和绑扎组件的刚度。将绑扎系统的等效刚度与LR、GL和ABS规范中的建议值进行了对比,探究了产生差异的原因。构建了十一层集装箱单堆垛系统的试验缩尺模型和数值模型。在横摇和纵摇运动激励下,探究了钮锁间隙、绑扎刚度和集装箱堆垛配重方式等基本变量对高层集装箱堆垛变形动态响应的影响,并将试验、数值模拟和理论计算的结果进行了对比。结果表明,缩尺数值模型能有效地模拟和预测海上运输过程中集装箱堆垛的动态机械行为;集装箱开口端和闭口端刚度的差异会增加堆垛动态响应的复杂性;钮锁间隙是系统产生非线性动态响应的重要因素。(6)构建了绑扎桥和十一层集装箱堆垛缩尺模型的动态试验测试系统和数值模型。在横摇和纵摇运动激励下,探索了某20000TEU超大型集装箱船的绑扎桥结构的变形、应力和应变等非线性动态响应,得到了绑扎桥结构在典型运动激励下的动态特性,并将试验和数值计算结果进行了对比。结果表明,钮锁的间隙效应是绑扎桥和集装箱堆垛产生非线性动态响应的一个重要因素,其中水平间隙会引起堆垛变形动态响应的显着增加;增加绑扎设备的刚度能有效地降低系统的动态响应。本文的主要创新点归纳如下:(1)基于知识工程理论,构建绑扎桥设计专用知识库,采用面向对象的知识表示方法和混合知识推理方法,实现了绑扎桥结构的智能设计,提高了绑扎桥的设计效率。(2)根据Froude相似准则,构建了四层20-ft ISO集装箱堆垛的缩尺模型。探究了钮锁载荷、绑扎力和集装箱堆垛变形的非线性动态响应。发现了绑扎系统内部各变量的相互耦合效应,揭示了海运过程中集装箱的损坏及丢失产生的潜在原因。(3)基于混合相似原理,设计了某20000TEU集装箱船绑扎桥的缩尺模型,开展了绑扎桥与横舱壁的耦合性试验和数值模拟研究,并研究了十一层集装箱堆垛和绑扎桥的非线性动力学特性。研究发现,钮锁间隙的非线性效应是导致集装箱框架和绑扎系统产生超负荷的诱因,为绑扎桥结构和绑扎组件的设计、相关规范的进一步完善提供了理论依据。
刘洋[8](2020)在《电磁炉产品平台模块化优化设计》文中指出
李艳峰[9](2019)在《基于OCC的CAD系统软件开发及其在量子芯片设计中的应用》文中研究说明基于约瑟夫森结的超导量子芯片,由于构成该芯片的电路元件,都可以通过微纳加工手段制备并很好的集成到平面电路中,因此与现有的成熟半导体工艺保持了很好的兼容性。在版图设计中,通常使用计算机辅助设计(Computer Aided Design,CAD)软件进行设计。但是通用CAD软件在设计过程中存在交互性不够良好、软件结构过于臃肿(一些功能或模块对于量子芯片设计人员来说并不适用)等问题,并且在量子芯片版图设计过程中,包含许多常用的元件,这些元件具有相同的连接关系--拓扑关系,只是在不同版图设计中所需的尺寸有所不同。综上所述,开发一款小型轻量化软件:能够满足光刻中对于材料性能和工艺参数研究中对于简单图像的设计要求;并建立一个类似于机械设计标准零件库的模型库,将量子芯片设计中的常用单元与复杂结构,以标准件的形式进行存储;能够为产品设计带来方便,缩短产品设计周期。国外CAD技术发展非常成熟,已经用于商业化,而国内大多是基于国外软件提供的接口进行二次开发。在此背景下,本文对国内外CAD软件技术发展现状进行了探讨,通过对软件需求的分析,提出了以Open CASCADE(OCC)几何内核主要工具包进行CAD软件开发。本文的研究工作从几何实体的数据和显示两个方面进行。实体显示模块,利用Qt Designer实现了软件的图形界面设计,同时通过OCC的Visualization Model实现了实体数据的可视化。在数据模块,对Open CASCADE中的BRep表示法、几何与拓扑结构、视角变换(坐标变换)等进行了深入研究,在此基础下,提出了基于Qt、OCC、C++混合编程,实现基本几何体创建、修改。研究了参数化绘图技术,提出程序驱动的参数化绘图设计方案,将标准件库分为两个部分:一是零件模板库,该库将公式表达法与程序设计法相结合,把零件的几何尺寸以特征参数的形式表示,然后将零件拓扑结构以程序的方式进行表示;另一是零件信息库,该库主要是将零件的信息,如零件名、参数、使用次数等,存储在MySQL数据库中,通过数据库的查询高效性找到对应的目标零件库,并将参数值传入目标。
高金鹏[10](2019)在《基于车辆运动特性的车型在线认知技术研究》文中进行了进一步梳理未来智能汽车能否为使用者所接受,其驾驶风格是否与驾驶员相近,能否令人类驾驶员建立起对智能驾驶系统的信任感是重要的决定因素。将智能驾驶控制器与汽车载体进行解耦,强调控制器个人风格化是本文研究的出发点。故此,本文拟探索一种使智能驾驶系统在线识别本车类型的自适应技术,令专属控制器能够对通用车型进行在线识别并调整控制策略中的车辆动力学特征,从而为开发依据车辆动力学特征同时面向驾驶员个人风格的智能驾驶控制系统提供技术支持。此外,由于当前智能汽车控制器需要通过大量的场地试验标定被控车辆的动力学特性,以达到对车辆精确控制的目的,该技术还可以在一定程度上解决上述过程对人力物力成本需求巨大的问题。而目前相关领域的研究仍然较少。针对上述的工程需求和研究现状,本文试图探索一种能够在线认知本车动力学类型的自适应技术,从而构建一套车辆类型在线认知系统。该系统能够利用本车的运动状态信息输出其所属的车辆类型,为控制策略的调整提供依据。本文具体研究内容包括以下几个方面:第一,对比选择基于动力学特性的车辆分类方法。首先从动力学的角度分析影响车辆侧向运动特性的主要因素,确定了能够区分不同车辆动力学类型的结构参数,基于此,在调研现有的车辆分类标准后,选择德国大众汽车公司的分类标准来定义本文中的车辆动力学类型。第二,筛选确定面向不同动力学类型的特征物理量。为了保证能够有效的认知车辆类型,本文分析确定了表征车辆侧向运动特性的特征物理量,并建立了相似性和冗余性的评价方法,根据计算结果进一步筛选特征物理量,最终确定特征物理量分别为车辆的纵向车速、横摆角速度和方向盘转角。第三,建立实现基于隐含马尔可夫模型的车辆类型认知技术。充分调研模式识别理论中的科学方法,结合本文研究内容具有一定的概率统计特性以及时间序列上的连续性等特点,本文将广泛应用于语音识别领域的隐含马尔可夫模型应用到了本文的车辆类型在线认知过程中,并确定了具体的方案。最后,本文从离线与在线两个层面对车辆类型认知方法进行验证。利用通用商业化汽车动力学软件进行离线仿真,证明了本文离线训练获取模板库的方法的可行性;利用驾驶模拟器进行驾驶员在环的在线仿真试验,证明了车型在线认知的有效性;改进并进行实车在线认知试验。试验结果表明,本文的车辆类型在线认知方法能有效识别本车的动力学类型,在一定条件下能够满足实际工程上的需求。
二、MARC模板库简介(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、MARC模板库简介(论文提纲范文)
(1)道岔故障预测与健康管理系统中关键技术的研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 国内研究现状 |
1.2.2 国外研究现状 |
1.3 论文主要内容和结构 |
1.3.1 论文主要内容 |
1.3.2 论文结构框架 |
2 道岔系统分析 |
2.1 道岔系统组成及动作过程 |
2.1.1 道岔系统分析及组成 |
2.1.2 道岔动作过程 |
2.2 动作电流曲线分析 |
2.3 故障类型及原因分析 |
2.4 小结 |
3 基于曲线相似度的健康评估及故障预测 |
3.1 SURF算法 |
3.1.1 构建Hessian矩阵 |
3.1.2 尺度空间构造 |
3.1.3 特征点定位 |
3.1.4 主方向分配 |
3.1.5 描述子生成 |
3.1.6 特征点匹配 |
3.2 Hausdorff距离 |
3.3 模型构建 |
3.4 实例验证 |
3.4.1 健康状态评估 |
3.4.2 故障预测 |
3.4.3 性能测试 |
3.5 小结 |
4 基于多次信息融合的故障诊断 |
4.1 特征提取及降维 |
4.1.1 时域特征提取 |
4.1.2 频域特征提取 |
4.1.3 小波域特征提取 |
4.1.4 数据预处理 |
4.2 一次信息融合 |
4.2.1 DBN方法简介 |
4.2.2 K-ELM方法简介 |
4.2.3 SOM方法简介 |
4.3 二次信息融合 |
4.3.1 证据理论方法简介 |
4.3.2 证据组合规则 |
4.4 实例验证 |
4.4.1 故障诊断模型建立 |
4.4.2 特征数据选取及预处理 |
4.4.3 初步诊断 |
4.4.4 特征层融合诊断 |
4.4.5 仿真验证 |
4.5 小结 |
5 仿真软件设计 |
5.1 系统设计 |
5.2 功能设计 |
5.3 可视化监测 |
5.4 小结 |
结论 |
致谢 |
参考文献 |
攻读学位期间的研究成果 |
(2)基于框架语义表示的关系抽取技术研究(论文提纲范文)
中文摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 关系抽取研究现状 |
1.2.1 基于模式的关系抽取 |
1.2.2 基于传统机器学习的关系抽取 |
1.2.3 基于深度学习的关系抽取 |
1.3 关系抽取的挑战问题 |
1.4 框架语义分析及其应用研究现状 |
1.4.1 框架语义分析研究现状 |
1.4.2 框架语义应用研究现状 |
1.5 研究内容和组织结构 |
1.6 本章小结 |
第二章 框架识别及框架语义要素抽取 |
2.1 引言 |
2.2 基于DNN的汉语框架识别模型 |
2.2.1 算法模型 |
2.2.2 实验与分析 |
2.3 基于两级注意力机制的卷积神经网络框架识别模型 |
2.3.1 算法模型 |
2.3.2 实验与分析 |
2.4 框架语义要素抽取 |
2.4.1 单框架语义要素抽取算法 |
2.4.2 扩展框架语义要素抽取算法 |
2.5 本章小结 |
第三章 基于框架语义和序列表示的关系抽取 |
3.1 引言 |
3.2 多层次框架语义要素融合模型 |
3.2.1 基于注意力的单框架语义要素融合模型 |
3.2.2 基于注意力的扩展框架语义要素融合模型 |
3.3 多视角句子表示模型 |
3.3.1 基于序列的句子表示模型 |
3.3.2 基于框架语义的句子表示模型 |
3.3.3 融合框架语义和序列特征的句子表示模型 |
3.4 融合多源信息的关系抽取模型 |
3.4.1 算法模型 |
3.4.2 实验与分析 |
3.5 本章小结 |
第四章 基于框架语义上下文感知的远程监督关系抽取 |
4.1 引言 |
4.2 远程监督实例选择 |
4.2.1 线索词抽取 |
4.2.2 实例选择 |
4.3 融合多粒度框架语义要素的关系抽取模型 |
4.3.1 句子上下文编码器 |
4.3.2 语义场景编码器 |
4.3.3 包上下文编码器 |
4.3.4 关系分类器和训练 |
4.4 实验与分析 |
4.4.1 数据集和评价指标 |
4.4.2 实验设置 |
4.4.3 基线模型 |
4.4.4 实验结果 |
4.5 本章小结 |
第五章 基于框架语义及多任务学习的非平衡数据关系抽取 |
5.1 引言 |
5.2 上下文表示学习 |
5.2.1 实体的上下文表示 |
5.2.2 语义场景上下文表示 |
5.3 基于多任务学习的关系抽取模型 |
5.3.1 算法模型 |
5.3.2 结果预测 |
5.4 实验与分析 |
5.4.1 数据集与评价指标 |
5.4.2 实验设置 |
5.4.3 实验结果 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
攻读博士学位期间取得的研究成果 |
致谢 |
个人简况及联系方式 |
(3)基于SolidWorks的静压造型主机参数化设计研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 选题背景与意义 |
1.2 国内外研究现状进展 |
1.2.1 静压造型线及主机发展现状 |
1.2.2 参数化设计发展历程 |
1.2.3 参数化设计二次开发的研究与应用现状 |
1.2.4 运动仿真发展现状 |
1.2.5 有限元分析发展现状 |
1.3 课题来源及研究内容 |
第二章 技术路线、应用软件及开发工具 |
2.1 技术路线 |
2.2 应用软件 |
2.2.1 SolidWorks软件介绍 |
2.2.2 SolidWorks软件功能概述 |
2.2.3 参数化尺寸驱动设计方法 |
2.3 开发工具 |
2.3.1 Microsoft Visual Studio 2017 |
2.3.2 C#语言的介绍 |
2.4 SolidWorks Motion介绍 |
2.5 SolidWorks Simution介绍 |
第三章 静压造型主机的参数化设计 |
3.1 引言 |
3.2 主机结构分析 |
3.2.1 静压造型主机结构分析 |
3.2.2 静压造型主机部件分析 |
3.2.3 静压造型主机零件分析 |
3.3 静压造型主机参数化设计方法 |
3.3.1 二维图纸分析 |
3.3.2 确定模型参数关系 |
3.3.3 建立三维参数化模型 |
3.4 静压造型主机参数化设计实例 |
3.4.1 砂箱参数化设计实例 |
3.4.2 静压造型主机主机滚道参数化设计实例 |
3.5 静压造型主机二维工程图库的建立 |
3.5.1 添加零部件自定义属性 |
3.5.2 制作工程图模板 |
3.5.3 工程图的调整 |
第四章 静压造型主机参数化设计系统的开发 |
4.1 引言 |
4.1.1 基于OLE技术的开发程序 |
4.1.2 基于COM技术的开发程序 |
4.1.3 SolidWorks API的介绍 |
4.2 系统的设计及工作流程的制订 |
4.2.1 系统结构模块划分 |
4.2.2 系统结构模块功能设置 |
4.2.3 参数化设计系统工作流程 |
4.3 静压造型主机参数化设计系统开发 |
4.3.1 建立项目 |
4.3.2 系统界面设计 |
4.3.3 控件事件设计 |
4.4 静压造型主机参数化设计系统应用实例 |
第五章 静压造型主机运动仿真检验 |
5.1 引言 |
5.2 Motion分析的理论基础 |
5.3 仿真模型建立 |
5.4 静压造型主机运动仿真条件设置 |
5.4.1 仿真步骤 |
5.4.2 仿真控制设置 |
5.4.3 仿真运动设置 |
5.5 仿真运动结果及分析 |
第六章 静压造型主机零部件应力分析 |
6.1 引言 |
6.1.1 Simulation分析步骤 |
6.2 砂箱模型应力分析 |
6.2.1 砂箱模型 |
6.2.2 砂箱约束 |
6.2.3 载荷施加 |
6.2.4 网格划分 |
6.2.5 砂箱应力分析计算结果 |
6.3 静压造型主机立柱应力分析 |
6.3.1 立柱应力分析参数确定 |
6.3.2 静压造型主机立柱应力分析结果与讨论 |
第七章 结论与展望 |
7.1 结论 |
7.2 不足与展望 |
参考文献 |
致谢 |
附录 |
学位论文评阅及答辩情况表 |
(4)A企业工艺数据协同管理平台的研究与实现(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 课题的研究背景以及意义 |
1.2 国内外研究现状 |
1.3 课题研究的主要内容 |
1.4 论文的组织结构 |
第2章 工艺数据协同管理平台相关知识 |
2.1 PLM技术介绍 |
2.2 JAVA语言概述 |
2.3 Web Service技术 |
2.4 安卓技术 |
2.4.1 安卓系统介绍 |
2.4.2 安卓应用开发组件 |
2.5 本章小结 |
第3章 工艺协同管理平台需求分析 |
3.1 企业背景 |
3.2 业务关系分析 |
3.3 功能性需求分析 |
3.4 本章小结 |
第4章 系统功能及结构设计 |
4.1 系统设计特点 |
4.2 系统逻辑架构 |
4.3 功能模块设计 |
4.4 数据库设计 |
4.5 工艺数据管理安卓APP方案设计 |
4.5.1 工艺数据管理安卓APP服务端接口设计 |
4.5.2 工艺数据管理安卓APP客户端接口设计 |
4.5.3 JSON设计 |
4.6 本章小结 |
第5章 工艺信息协同管理平台实现 |
5.1 工艺信息协同管理平台及开发工具选择 |
5.2 系统运行环境 |
5.3 Teamcenter二次开发环境配置 |
5.3.1 配置Eclipse运行环境 |
5.3.2 配置TC运行环境 |
5.3.3 通过Eclipse运行客户端 |
5.4 Teamcenter二次开发技术 |
5.5 功能模块实现 |
5.5.1 工艺资源库的实现 |
5.5.2 结构化工艺设计实现 |
5.5.3 输出工艺规程报表功能实现 |
5.5.4 移动客户端用户管理功能实现 |
5.5.5 主界面设计 |
5.5.6 工卡查询功能实现 |
5.5.7 工卡执行实现 |
5.6 本章小结 |
第6章 工艺信息协同管理平台测试 |
6.1 测试环境 |
6.2 功能测试 |
6.2.1 创建结构化工艺测试 |
6.2.2 输出工艺规程报表测试 |
6.2.3 任务指派测试 |
6.2.4 移动端与客户端连接登录测试 |
6.2.5 移动端与客户端工艺数据交互测试 |
6.2.6 工卡查询下载测试 |
6.2.7 工卡执行测试 |
6.2.8 工卡上传测试 |
6.3 性能测试 |
6.4 测试结论 |
6.5 本章小结 |
第7章 结论与展望 |
7.1 结论 |
7.2 展望 |
参考文献 |
作者简介及在学期间所取得的科研成果 |
致谢 |
(5)基于美学感知的多媒体图文智能合成研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景与研究意义 |
1.2 本文研究内容和主要工作 |
1.3 本文的结构安排 |
第2章 国内外研究现状和背景知识 |
2.1 背景知识 |
2.1.1 颜色美学 |
2.1.2 布局美学 |
2.2 图文自动合成研究 |
2.2.1 美学理论研究现状 |
2.2.2 图像自动剪切 |
2.2.3 图像显着性分析 |
2.2.4 字体样式相似性 |
2.2.5 图文合成算法 |
2.3 深度学习相关研究 |
2.3.1 深度神经网络理论 |
2.3.2 深度学习在图文设计中的应用 |
2.3.3 图像美学评估中patch思路 |
2.3.4 多任务深度方法 |
2.3.5 难分样本挖掘方法 |
第3章 基于美学感知模版的图文自动合成研究 |
3.1 引言 |
3.2 相关工作 |
3.3 模版设计 |
3.3.1 美学原则 |
3.3.2 模版数据库 |
3.4 图文展示的合成算法 |
3.4.1 基于综合重要度的图像自动剪裁 |
3.4.2 自动布局和着色 |
3.5 实验与结果分析 |
3.5.1 对比实验 |
3.5.2 实验设置 |
3.5.3 量化评估 |
3.6 本章小结 |
第4章 基于深度神经网络的图文合成颜色推荐 |
4.1 引言 |
4.2 相关工作 |
4.3 基于全局和谐性和局部可读性最优的深度网络推荐 |
4.3.1 整体框架介绍 |
4.3.2 文字颜色推荐网络 |
4.3.3 局部可读性评价网络 |
4.3.4 全局和谐性评价网络 |
4.3.5 损失函数与训练策略 |
4.4 实验与结果分析 |
4.4.1 数据集 |
4.4.2 训练细节 |
4.4.3 网络设计的有效性 |
4.4.4 和其他方法的对比实验 |
4.4.5 用户评价 |
4.5 本章小结 |
第5章 基于图像颜色风格的设计样式检索 |
5.1 引言 |
5.2 相关工作 |
5.2.1 深度神经网络图像风格特征提取 |
5.2.2 主题色风格特征提取 |
5.2.3 特征之间的距离度量 |
5.3 基于分层前背景的颜色风格特征和距离度量算法 |
5.3.1 主题色提取和优化 |
5.3.2 前景背景分离和颜色风格特征 |
5.3.3 对前景敏感的颜色风格距离度量 |
5.4 实验 |
5.4.1 数据集 |
5.4.2 实验方法对比基准线 |
5.4.3 实验结果 |
5.4.4 基于颜色风格进行图文合成的颜色和设计样式推荐 |
5.5 本章小结 |
第6章 基于深度神经网络的图文自动合成研究 |
6.1 引言 |
6.2 相关工作 |
6.2.1 重叠型图文合成的相关研究 |
6.2.2 文本颜色和谐性相关研究 |
6.2.3 字体样式相似度相关研究 |
6.2.4 多任务深度神经网络 |
6.3 算法 |
6.3.1 DesignNet系统框架 |
6.3.2 阶段预测网络 |
6.3.3 文本属性预测子网络 |
6.3.4 损失函数 |
6.4 实验 |
6.4.1 数据集 |
6.4.2 训练细节 |
6.4.3 用户评价和结论 |
6.5 本章小结 |
第7章 总结、商业应用及展望 |
7.1 本文研究重点回顾 |
7.2 商业应用实例 |
7.3 未来研究展望 |
参考文献 |
附录 A 论文发表中使用的图像授权说明 |
附录 B VTDSet数据集的网页设计工具 |
致谢 |
在读期间发表的学术论文与取得的研究成果 |
(6)COSMOS天区恒星形成星系的主序关系研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
第二章 数据处理与方法 |
2.1 数据介绍 |
2.2 测光红移 |
2.2.1 测光红移介绍 |
2.2.2 EAZY介绍 |
2.2.3 测光红移分析 |
2.3 恒星形成率 |
2.4 星系的恒星质量 |
2.5 样本建立 |
第三章 恒星形成星系主序关系 |
3.1 恒星形成率分析与测光数据零点修正 |
3.2 恒星形成星系的选择 |
3.3 主序关系 |
第四章 讨论 |
第五章 总结 |
参考文献 |
附录 A 星表的处理 |
附录 B 计算恒星形成率方法的选择 |
附录 C 零点修正 |
致谢 |
(7)基于知识工程的集装箱船绑扎系统智能设计及其非线性动力学研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 集装箱运输及系固概述 |
1.2.1 船舶货物运输 |
1.2.2 甲板上集装箱的装载和布置 |
1.2.3 甲板上集装箱绑扎设备 |
1.3 知识工程在船舶设计中应用的研究进展 |
1.3.1 知识工程原理 |
1.3.2 基于知识工程的船舶结构设计研究 |
1.4 集装箱船绑扎系统研究进展 |
1.5 本文研究内容 |
第二章 基于知识工程的绑扎桥结构设计 |
2.1 引言 |
2.2 系统开发的CAX框架流程 |
2.3 知识库构建 |
2.3.1 规范设计库 |
2.3.2 规则检查库 |
2.3.3 模型库 |
2.3.4 材料库 |
2.4 基于知识的绑扎桥结构智能设计 |
2.4.1 装配体参数化设计 |
2.4.2 结构优化 |
2.5 本章小结 |
第三章 基于知识工程的绑扎桥多目标优化 |
3.1 引言 |
3.2 知识库的构建及知识表示 |
3.2.1 知识模板库 |
3.2.2 参数化图形模板库 |
3.2.3 面向对象的知识表示 |
3.3 基于知识的绑扎桥结构多目标优化 |
3.3.1 基于知识的绑扎桥结构设计 |
3.3.2 绑扎桥结构数值模拟 |
3.3.3 基于知识的绑扎桥结构多目标优化 |
3.4 本章小结 |
第四章 绑扎桥与船体结构耦合性试验及数值模拟研究 |
4.1 引言 |
4.2 绑扎桥和船体结构耦合数值模拟 |
4.2.1 数值模型构建 |
4.2.2 静强度分析 |
4.2.3 模态分析 |
4.3 绑扎桥相似畸变模型构建 |
4.4 绑扎桥结构的静强度试验 |
4.4.1 试验方案 |
4.4.2 试验结果及误差分析 |
4.5 绑扎桥结构的模态试验 |
4.6 本章小结 |
第五章 集装箱堆垛结构动态试验及数值模拟研究 |
5.1 引言 |
5.2 20英尺ISO海运集装箱缩尺模型构建 |
5.3 四层集装箱单堆垛的动态响应研究 |
5.3.1 试验研究对象 |
5.3.2 试验方案及数值模型 |
5.3.3 试验、理论计算及数值模拟结果 |
5.4 十一层集装箱堆垛动态响应研究 |
5.4.1 绑扎桥和绑扎组件的刚度 |
5.4.2 试验方案及数值模型构建 |
5.4.3 试验、理论计算及数值模拟结果 |
5.5 本章小结 |
第六章 绑扎桥结构的动态试验及数值模拟研究 |
6.1 引言 |
6.2 试验方案及数值模型构建 |
6.3 试验和数值模拟结果 |
6.3.1 激励的幅值 |
6.3.2 激励的频率 |
6.3.3 间隙效应 |
6.3.4 绑扎杆刚度 |
6.3.5 有效负载 |
6.4 本章小结 |
第七章 总结与展望 |
7.1 全文总结 |
7.2 本文的创新性 |
7.3 进一步研究工作展望 |
参考文献 |
致谢 |
攻读博士学位期间已发表或录用的论文 |
攻读博士学位期间参与的科研项目 |
(9)基于OCC的CAD系统软件开发及其在量子芯片设计中的应用(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 课题背景及研究的目的和意义 |
1.2 国内外研究现状 |
1.2.1 国外研究现状 |
1.2.2 国内研究现状 |
1.3 现状小结 |
1.4.本文的主要研究内容 |
第2章 系统总体设计方案与关键技术 |
2.1 引言 |
2.2 系统总体设计方案 |
2.2.1 软件开发流程 |
2.2.2 系统设计目标 |
2.2.3 系统总体工作流程 |
2.2.4 系统功能设计 |
2.3 系统开发工具及环境 |
2.3.1 Visual Studio2017 |
2.3.2 QT |
2.3.3 Open CASCADE几何内核 |
2.3.4 C++语言 |
2.3.5 系统开发环境搭建 |
2.4 系统关键技术 |
2.4.1 图形用户交互界面设计 |
2.4.2 基于OCC的数据与显示相分离技术 |
2.4.3 参数化数据库设计 |
2.5 本章小结 |
第3章 Open CASCADE建模技术 |
3.1 引言 |
3.2 Open CASCADE模块介绍 |
3.3 Open CASCADE中的边界表示法 |
3.4 几何与拓扑结构 |
3.4.1 几何数据结构 |
3.4.2 拓扑数据结构 |
3.4.3 拓扑与几何的联系 |
3.5 基于OpenGL的坐标变换 |
3.5.1 从3D到2D |
3.5.2 矩阵变换 |
3.5.3 坐标变换 |
3.5.4 从2D到3D |
3.6 本章小结 |
第4章 CAD子系统设计 |
4.1 引言 |
4.2 可视化模块 |
4.2.1 基于Qt的用户界面初始化 |
4.2.2 基于Open CASCADE的数据可视化 |
4.3 基本几何图形创建与修改 |
4.3.1 基本几何体的创建 |
4.3.2 几何体的修改 |
4.4 布尔操作模块 |
4.4.1 二维实体模型的布尔运算方法 |
4.4.2 Open CASCADE中的布尔操作 |
4.5 本章小结 |
第5章 参数化标准件库的开发 |
5.1 引言 |
5.2 参数化绘图 |
5.3 参数化标准件库的总体设计方案 |
5.3.1 参数化标准件库的目标 |
5.3.2 建库方法 |
5.3.3 系统结构 |
5.4 参数化标准件库的建立 |
5.4.1 创建模板零件库 |
5.4.2 用户界面设计 |
5.4.3 应用程序设计 |
5.5 标准件库的运行实例 |
5.6 本章小结 |
结论 |
参考文献 |
致谢 |
附录1 参数化的量子芯片常用单元 |
(10)基于车辆运动特性的车型在线认知技术研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 课题背景及研究意义 |
1.2 研究现状 |
1.2.1 智能汽车国内外研究现状 |
1.2.2 车辆识别技术国内外研究现状 |
1.2.3 研究现状总结 |
1.3 本文主要研究内容 |
1.4 本文章节安排 |
第2章 基于动力学特性的车辆分类与特征物理量研究 |
2.1 概述 |
2.2 基于动力学特性的车辆分类研究 |
2.2.1 车辆动力学特性影响因素分析 |
2.2.2 当前车辆分类标准调研 |
2.2.3 车辆动力学类型分类标准选择 |
2.3 面向动力学类型的特征物理量选取 |
2.3.1 侧向运动特性的相关物理量 |
2.3.2 物理量相似性与冗余性评价方法 |
2.3.3 基于DTW算法与互相关系数的特征物理量选取 |
2.4 小结 |
第3章 基于隐含马尔可夫模型的车辆类型认知方法 |
3.1 概述 |
3.2 面向车型认知的模式识别方法 |
3.2.1 模式识别方法研究 |
3.2.2 面向车型认知的模式识别方法选择 |
3.3 隐含马尔可夫算法概述 |
3.3.1 隐含马尔可夫模型的产生 |
3.3.2 HMM典型问题一解决方法 |
3.3.3 HMM典型问题二解决方法 |
3.3.4 HMM典型问题三解决方法 |
3.4 基于HMM算法的车辆类型认知 |
3.4.1 车辆类型在线认知方案 |
3.4.2 基于Baum-Welch算法的离线训练 |
3.4.3 基于前向算法的在线认知 |
3.5 小结 |
第4章 车辆类型认知方法的离线与在线验证 |
4.1 概述 |
4.2 模板库的离线验证 |
4.2.1 涵盖速度因素的模板库的建立 |
4.2.2 模板库有效性验证 |
4.3 车型认知的在线验证 |
4.3.1 基于驾驶模拟器在线仿真验证 |
4.3.2 基于实车的在线试验验证 |
4.4 小结 |
第5章 总结与展望 |
5.1 全文总结 |
5.2 未来展望 |
参考文献 |
附录 车辆类型模板库重要参数 |
附录1 2组训练样本下的模板库参数 |
附录1.1 A-Class车辆类型模板库参数 |
附录1.2 B-Class车辆类型模板库参数 |
附录1.3 C-Class车辆类型模板库参数 |
附录1.4 D-Class车辆类型模板库参数 |
附录2 6组训练样本下的模板库参数 |
附录2.1 A-Class车辆类型模板库参数 |
附录2.2 B-Class车辆类型模板库参数 |
附录2.3 C-Class车辆类型模板库参数 |
附录2.4 D-Class车辆类型模板库参数 |
附录3 12组训练样本下的模板库参数 |
附录3.1 A-Class车辆类型模板库参数 |
附录3.2 B-Class车辆类型模板库参数 |
附录3.3 C-Class车辆类型模板库参数 |
附录3.4 D-Class车辆类型模板库参数 |
附录4 21组训练样本下的模板库参数 |
附录4.1 A-Class车辆类型模板库参数 |
附录4.2 B-Class车辆类型模板库参数 |
附录4.3 C-Class车辆类型模板库参数 |
附录4.4 D-Class车辆类型模板库参数 |
致谢 |
四、MARC模板库简介(论文参考文献)
- [1]道岔故障预测与健康管理系统中关键技术的研究[D]. 白邓宇. 兰州交通大学, 2021
- [2]基于框架语义表示的关系抽取技术研究[D]. 赵红燕. 山西大学, 2021(01)
- [3]基于SolidWorks的静压造型主机参数化设计研究[D]. 蔡武豪. 山东大学, 2021(11)
- [4]A企业工艺数据协同管理平台的研究与实现[D]. 刘译泽. 吉林大学, 2021(01)
- [5]基于美学感知的多媒体图文智能合成研究[D]. 杨绪勇. 中国科学技术大学, 2021(09)
- [6]COSMOS天区恒星形成星系的主序关系研究[D]. 刘静. 上海师范大学, 2021(07)
- [7]基于知识工程的集装箱船绑扎系统智能设计及其非线性动力学研究[D]. 李春通. 上海交通大学, 2020
- [8]电磁炉产品平台模块化优化设计[D]. 刘洋. 哈尔滨工业大学, 2020
- [9]基于OCC的CAD系统软件开发及其在量子芯片设计中的应用[D]. 李艳峰. 哈尔滨工业大学, 2019(02)
- [10]基于车辆运动特性的车型在线认知技术研究[D]. 高金鹏. 吉林大学, 2019(11)