物理科学与脑科学的联姻——脑与精神奥秘的新探索

揭示脑的奥秘,已经不再是乌托邦式的空想了;复杂系统的自发的集体行为,似乎生来就是难以预测的;脑是怎样应付、适应和表达多样的,多变的外部世界的;选择性学习可以看作是对能量地形的树结构修枝的过程;混沌可能是大脑不同于现有人工智能系统的主要特征;实现对自然和人类自身认识的新飞跃,实现从必然王国向自由王国的新飞跃;迎接新的更伟大的科学革命——智能革命的到来.     

统计专家系统的发展概况与若干问题

本文综述统计专家系统的发展，从多方面分析了统计专家系统的研究状况，存在的问题，并阐述了新的观点。     

体育教学中心理健康教育的渗透分析

随着时代的发展,人们越来越深刻的认识到情商与智商同为成功的重要基石.健康的心理状态是一切工作、学习与生活的前提和保证.体育这一现代教育重要组成部分,更以其学科特点和引导功能,使学生体验锻炼过程中的各种情感,磨炼学生的意志,从而提高学生心理健康水平.     

程度与精度的逻辑差近似算子的性质

目的是结合精度与程度,探索新的粗糙集拓展模型.从程度与精度的逻辑差运算出发,定义了程度与精度的逻辑差粗糙集模型.模型中,通过变精度近似与程度近似的转化公式,研究了程度与精度的逻辑差近似算子,并得到了近似算子的幂作用等性质.用程度与精度的逻辑差粗糙集模型拓展了程度粗糙集模型、经典粗糙集模型,并在这些模型中得到了近似算子幂作用的相应性质.     

城镇居民体育健身行为整合理论模型的构建与系列实证

建立并验证基于计划行为理论和健康信念模式的城镇居民体育健身行为的整合模型;采用问卷调查、数理统计、结构方程模型等方法,针对部分城镇居民干预试验的基线数据建立计划行为理论和健康信念模式整合模型,同时利用追踪调查数据对模型进行验证和修正;主观控制感、行为意向是影响行为发生的重要因素,行为益处认知是帮助克服行为障碍认知和促进行为发生的重要因素;整合模型对居民体育健身行为具有较好的解释作用,并可以据此进行重点因素干预.     

Shadowgraph investigation of plasma shock wave evolution from AI target under 355-nm laser ablation

The propagation of a plasma shock wave generated from an Al target surface ablated by a nanosecond Nd：YAG laser operating at 355 nm in air is investigated at the different focusing positions of the laser beam by using a time-resolved shadowgraph imaging technique. The results show that in the case of a target surface set at the off-focus position, the condition of the focal point behind or in front of the target surface greatly influences the evolution of an Al plasma shock wave, and an ionization channel forms in the case of the focal point set in front of the target surface. Moreover, it is found that the shadowgraph with the evolution time around 100 ns shows that a protrusion appears at the front tip of the shock wave if the focal point is at the target surface. In addition, the calculated results of the expanding velocity of the shock wave front, the mass density, and pressure just behind the shock wave front are presented based on the shadowgraphs.     

人工智能在结构拓扑优化领域的现状与未来趋势

结构优化,特别是结构拓扑优化,受到学术界和工业界的广泛关注.通过发展不同的拓扑优化算法,实现了众多具有卓越力学、热学和声学等多学科性能的最优拓扑构型创新设计.然而传统的拓扑优化方法在处理大规模的拓扑优化问题的迭代过程中往往需要多次大规模有限元分析,面临巨大计算量的挑战.近年来,以机器学习为代表的人工智能方法的迅猛发展,...     

基于深度学习技术的激波风洞智能测力系统研究

高焓条件气动力测量试验对高超声速飞行器气动外形设计和优化起决定性作用.通常采用脉冲风洞(如激波风洞)产生高温、高压驱动气体以模拟高超声速高焓试验气流.在脉冲风洞对高超飞行器模型进行测力试验时,测力天平输出信号结果无法摆脱惯性载荷的干扰影响,其导致的测力模型低频振动问题基本无法通过滤波彻底解决,尤其对试验时间只有几毫秒的情况,六分量测力天平的结构设计研究受到了极大挑战.因此,对实现短试验时间条件高性能测力的深入研究发现,天平动态校准凸显重要性和必要性.本研究提出一种新的基于人工智能深度学习技术的单矢量动态自校准方法和智能测力系统概念,并应用于目前激波风洞测力试验中.该动校方法的最主要特点之一是对整体测力系统的校准,而非仅仅针对天平,并且保证校准的测力系统即为风洞试验对象,确保校准与应用的一致性.在测试评估中,测试样本和风洞试验验证均得到了较为理想的效果,大幅度低频振动干扰基本被消除,脉冲风洞测力的精度和可靠性得到了大幅提高.     

基于遗传算法优化卷积长短记忆混合神经网络模型的光伏发电功率预测

光伏发电受天气与地理环境影响,呈现出波动性和随机多干扰性,其输出功率容易随着外界因素变化而变化,因此预测发电输出功率对于优化光伏发电并网运行和减少不确定性的影响至关重要.本文提出一种基于遗传算法(GA)优化的卷积长短记忆神经网络混合模型(GA-CNN-LSTM),首先利用CNN模块对数据的空间特征提取,再经过LSTM模块提取时间特征和附近隐藏状态向量,同时通过GA优化LSTM训练网络的超参数权重与偏置值.在初期对历史数据进行归一化处理,以及对所有特征作灰色关联度分析,提取重要特征降低数据计算复杂度,然后对本文提出来的经GA优化后的CNN-LSTM混合神经网络(GA-CNN-LSTM)算法模型进行光伏功率预测实验.同时与CNN,LSTM两个单一神经网络模型以及未经GA优化的CNNLSTM混合神经网络模型的预测性能进行比较.结果显示在平均绝对误差率(MAPE)指标下,本文提出的GA-CNN-LSTM算法模型比单一神经网络模型最好的结果减少了1.537%的误差,同时比未经优化的CNNLSTM混合神经网络算法模型减少了0.873%的误差.本文的算法模型对光伏发电功率具有更好的预测性能.