<?xml version="1.0" encoding="utf-8"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005">
<channel xmlns:cfi="http://www.microsoft.com/schemas/rss/core/2005/internal" cfi:lastdownloaderror="None">
<title cf:type="text"><![CDATA[国防科技大学学报编辑部 -->机械工程·计算机科学与技术]]></title>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[微型软体机器人能源驱动技术研究进展]]></title>
<link><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/202303009]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[具有高柔顺性、低能耗、高功率等特点的微型软体机器人在管道检修、战场侦察等复杂环境中具有广阔的应用前景。能源与驱动器决定了微型软体机器人运动方式和运动性能。为使更多研究人员了解现有柔性驱动技术及其能量来源的研究进展,从物理能源驱动、化学能源驱动以及生物混合驱动三方面入手,总结了基于这三种能源的典型驱动方式并分析其优劣。对现有柔性驱动及其能源存在的不足与未来发展进行讨论与总结,可为后续软体机器人柔性驱动技术发展与性能提升提供参考。]]></description>
<pubDate>2023/6/7 0:00:00</pubDate>
<category><![CDATA[机械工程·计算机科学与技术]]></category>
<author><![CDATA[杨云，林泽宁，洪阳，蒋涛，尚建忠，罗自荣]]></author>
<guid><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/202303009]]></guid><cfi:id>8</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[泵喷推进器线谱非定常推力预报方法与试验验证]]></title>
<link><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/202303010]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[为预报泵喷推进器转子与周期性前导叶尾流互作用线谱非定常推力,忽略泵喷推进器转子叶片厚度,将泵喷转子简化为环形叶栅,根据片条理论,在半径<i>r</i>处截取泵喷转子分段,忽略流场参数沿分段径向的变化,从而可将该环形叶栅分段视为平面叶栅,在平面叶栅与简谐波互作用的基础上考虑周期性进流,推导得到前导叶分段与转子分段互作用线谱非定常激振力,转子分段周向积分得到非定常推力线谱预报公式,通过数值和试验方法验证公式的有效性。开展设计参数影响分析,得到当前导叶-转子间距与前导叶弦长的比值大于1时,转子-后导叶间距对转子单个叶片的激振力线谱推力几乎不存在影响。]]></description>
<pubDate>2023/6/7 9:08:55</pubDate>
<category><![CDATA[机械工程·计算机科学与技术]]></category>
<author><![CDATA[何升阳，武星宇，魏应三，靳栓宝，翟硕，程功]]></author>
<guid><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/202303010]]></guid><cfi:id>7</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[气隙磁密3次谐波对电机振动噪声的影响]]></title>
<link><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/202303011]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[针对电机的电磁振动噪声问题,发现了提高电机气隙磁密的正弦性不一定能够降低电机的振动噪声。鉴于此,分析了引起电机振动和噪声的主要力波阶次和频率,并探究了气隙磁密3次谐波与电机振动噪声的具体函数关系。为了分析引起电机振动和噪声的主要力波阶次和频率,在利用解析法的基础上排出力波表,确定了主要噪声源。为了探究气隙磁密3次谐波对电机振动噪声的影响,建立了气隙磁密及径向力波的数学模型,并通过遗传算法求解了电机气隙磁密3次谐波的最佳幅值。分析结果显示,提高气隙磁密正弦性不一定能够降低电机振动噪声,气隙磁密3次谐波在一定范围内存在最优值使得电机振动噪声最小。分析结果为低噪声电机的设计提供了参考依据。]]></description>
<pubDate>2023/6/7 9:08:55</pubDate>
<category><![CDATA[机械工程·计算机科学与技术]]></category>
<author><![CDATA[乔鸣忠，卢希浩，张弛]]></author>
<guid><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/202303011]]></guid><cfi:id>6</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[结合振动特征优选和GWOA-XGBoost的电机轴承故障诊断]]></title>
<link><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/202303012]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[为解决电机轴承故障状态难以识别,从而造成诊断精度不高的情况,提出了一种基于信号特征提取与极限梯度提升算法(extreme gradient boosting, XGBoost)结合的电机轴承故障诊断模型。使用优化的变分模态分解获得振动信号的固有模态函数(intrinsic mode function, IMF)分量,再基于多尺度熵理论计算各IMF分量的多尺度熵值进行特征重构。在鲸鱼优化算法(whale optimization algorithm, WOA)中引入遗传算法的选择、交叉、变异操作对WOA进行改进。用改进的WOA算法对XGBoost的超参数进行寻优,获得了帮助XGBoost取得最优分类效果的超参数组合,将7种不同故障类型的振动信号进行重构后输入优化的XGBoost模型进行故障诊断。实验结果表明,所提GWOA-XGBoost模型的电机轴承故障诊断精度能够达到97.14%,相较于传统诊断方法,性能提升效果显著。]]></description>
<pubDate>2023/6/7 9:08:55</pubDate>
<category><![CDATA[机械工程·计算机科学与技术]]></category>
<author><![CDATA[于飞，樊清川，宣敏]]></author>
<guid><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/202303012]]></guid><cfi:id>5</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[潜艇上浮运动数值计算方法的研究与验证]]></title>
<link><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/202303013]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[预报潜艇上浮运动是探索研究潜艇上浮运动控制规律以及潜艇安全上浮的前提。就潜艇上浮运动的数值计算方法和计算流程进行了详细介绍,对数值计算方法中的湍流模型及离散格式等进行了优选。基于模型上浮试验结果,对数值计算的不确定度进行了分析且对数值计算结果进行了验证。证明了该数值计算的可靠性,并发现数值计算结果与试验结果很接近,验证了该数值计算方法的可行性,说明该数值计算方法和试验可为潜艇上浮运动的研究提供参考和借鉴。]]></description>
<pubDate>2023/6/7 9:08:55</pubDate>
<category><![CDATA[机械工程·计算机科学与技术]]></category>
<author><![CDATA[魏可可，高霄鹏，马骋，董祖舜]]></author>
<guid><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/202303013]]></guid><cfi:id>4</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[模型不可知的联合相互学习]]></title>
<link><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/202303014]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[主流的联邦学习(federated learning, FL)方法需要梯度的交互和数据同分布的理想假定,这就带来了额外的通信开销、隐私泄露和数据低效性的问题。因此,提出了一种新的FL框架,称为模型不可知的联合相互学习 (model agnostic federated mutual learning, MAFML)。MAFML仅利用少量低维的信息(例如,图像分类任务中神经网络输出的软标签)共享实现跨机构间的“互学互教”,且MAFML不需要共享一个全局模型,机构用户可以自定制私有模型。同时,MAFML使用简洁的梯度冲突避免方法使每个参与者在不降低自身域数据性能的前提下,能够很好地泛化到其他域的数据。在多个跨域数据集上的实验表明,MAFML可以为面临“竞争与合作”困境的联盟企业提供一种有前景的解决方法。]]></description>
<pubDate>2023/6/7 9:08:55</pubDate>
<category><![CDATA[机械工程·计算机科学与技术]]></category>
<author><![CDATA[周伟，李艺颖，陈曙晖，丁博]]></author>
<guid><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/202303014]]></guid><cfi:id>3</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[并行生成卷积网络图像修复算法]]></title>
<link><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/202303015]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[为解决修复纹理精细、背景复杂图像中大面积不连续语义缺失时存在的边缘伪影和语义不连续的缺陷,提出一种并行生成卷积的残差连接图像修复算法。将残缺图像输入一个两列平行卷积的结构修复网络得到两个具有不同感受野大小的图像分量,通过共享解码合并两个图像分量并计算输出的L2损失优化网络。将结构修复网络的输出送入包含残差连接与注意力机制的细节修复网络,融合上下文信息,改善修复细节能力。使用全局与局部鉴别器和预训练视觉几何组网络计算损失,对修复网络进行整体判别优化,增强修复结果的整体与局部一致性。在国际公认数据库上验证提出算法的性能,实验结果表明:提出算法可以有效修复复杂背景且包含精细纹理的大面积不规则缺失区域,提升图像细节、语义和结构的真实性与完整性,其峰值信噪比和结构相似度优于经典的对比算法。]]></description>
<pubDate>2023/6/7 9:08:56</pubDate>
<category><![CDATA[机械工程·计算机科学与技术]]></category>
<author><![CDATA[李海燕，晁艳静，李海江，郭磊，李红松]]></author>
<guid><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/202303015]]></guid><cfi:id>2</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[利用多时间尺度卷积的视频行为识别网络]]></title>
<link><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/202303016]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[基于2D的行为识别网络通常融合多张视频帧的分类结果识别不同的行为,但其在卷积过程中缺少对时空特征提取。针对该问题,基于时间位移模块(temporal shift module,TSM)的思想设计了一组多时间尺度卷积,包含不同设计的卷积核以提取融合不同时间尺度的时空信息。通过控制多时间尺度卷积嵌入ResNet50网络的位置及其模块的参数设置,寻找最优的基于多时间尺度卷积的行为识别网络。使用PyTorch深度学习框架训练模型,在大型开源数据集Something-Somethingv2上进行了实验研究。结果表明,基于多时间尺度卷积的行为识别网络对行为识别准确率达到了59.47%,优于TSM等网络。]]></description>
<pubDate>2023/6/7 9:08:56</pubDate>
<category><![CDATA[机械工程·计算机科学与技术]]></category>
<author><![CDATA[陈西江，梁全恩，韩贤权，安庆]]></author>
<guid><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/202303016]]></guid><cfi:id>1</cfi:id><cfi:read>true</cfi:read></item>
</channel>
</rss>