提出了一种基于随电流变化的铁芯电感的磁通门HSPICE(High Simulation Program with IC Emphasis)模型,该磁通门模型铁芯的磁滞回线使用反正切函数来描述,其激励与测量线圈等效为一种随电流变化的电感电路模型。本文给出了全电路元件的...提出了一种基于随电流变化的铁芯电感的磁通门HSPICE(High Simulation Program with IC Emphasis)模型,该磁通门模型铁芯的磁滞回线使用反正切函数来描述,其激励与测量线圈等效为一种随电流变化的电感电路模型。本文给出了全电路元件的磁通门模型的参数及提取方法,此模型可以在任意形状的电压激励波形下仿真,与已有的磁通门模型相比,具有仿真精度高、需要参数少且计算容易和可以方便进行输出信号处理的特点。实验和仿真结果对比表明,双铁芯磁通门HSPICE模型仿真的输入电流和输出电压的幅值分别为146 m A和1.03 V,与实际测试的146.6 m A和1.177 V相比,输入电流有0.6 m A的误差,输出电压有0.147 V的误差。展开更多
为了促进人工智能在教育领域的深度应用,加快实现人工智能为教育赋能,本文以Web of Science数据库核心数据合集中313篇以“人工智能+教育”为主题的文献作为研究样本,利用CiteSpace知识图谱软件从文本和视图两方面进行聚类分析,发现国...为了促进人工智能在教育领域的深度应用,加快实现人工智能为教育赋能,本文以Web of Science数据库核心数据合集中313篇以“人工智能+教育”为主题的文献作为研究样本,利用CiteSpace知识图谱软件从文本和视图两方面进行聚类分析,发现国外教育人工智能的研究热点有智能导师系统、人工智能教育机器人、机器学习、学习模型、智慧学习、计算思维。研究趋势是将计算机技术和神经科学、认知科学结合起来应用于学习认知、情绪认知等。基于此,本文提出我国教育人工智能研究应深化研究层次,注重对意识、情感、态度的研究;重视人工智能应用于教育的效果评估及影响因素研究;利用VR/AR进行跨媒体融合研究,构建智慧学习空间;由知识掌握转向智能核心素养的培养;促进教育人工智能的学习内容、教学模式改革研究。展开更多
本文针对灰狼优化(Grey Wolf Optimizer,GWO)算法平衡全局探索和局部搜索能力的不足,提出了一种基于反向改进的灰狼算法(Opposition Learning Grey Wolf Optimizer,OLGWO),来优化预测模型的超参数,以提高其用于交通流预测的精度与鲁棒性...本文针对灰狼优化(Grey Wolf Optimizer,GWO)算法平衡全局探索和局部搜索能力的不足,提出了一种基于反向改进的灰狼算法(Opposition Learning Grey Wolf Optimizer,OLGWO),来优化预测模型的超参数,以提高其用于交通流预测的精度与鲁棒性.本算法在迭代过程中采用了反向学习策略,并引入了等级相关概念,主要通过计算普通狼与目标狼的Spearman相关系数,并根据其值来选择性地更新狼种群.实验先对12个标准测试函数对比了四种算法OLGWO、TGWO(Transformed Grey Wolf Optimizer)、GWO、PSO(Particle Swarm Optimization),得到了寻优均值和标准差,验证了OLGWO算法具有突出的性能优势;然后采用美国加州公路交通流数据,在不同缺失率下比较了四种算法优化的反向传播(Back Propagation,BP)网络模型,结果显示,OLGWO-BP模型预测精度比其它三种模型最高分别有1.95%、3.98%和11.07%的提升,同时表现出更好的稳定性.展开更多
文摘提出了一种基于随电流变化的铁芯电感的磁通门HSPICE(High Simulation Program with IC Emphasis)模型,该磁通门模型铁芯的磁滞回线使用反正切函数来描述,其激励与测量线圈等效为一种随电流变化的电感电路模型。本文给出了全电路元件的磁通门模型的参数及提取方法,此模型可以在任意形状的电压激励波形下仿真,与已有的磁通门模型相比,具有仿真精度高、需要参数少且计算容易和可以方便进行输出信号处理的特点。实验和仿真结果对比表明,双铁芯磁通门HSPICE模型仿真的输入电流和输出电压的幅值分别为146 m A和1.03 V,与实际测试的146.6 m A和1.177 V相比,输入电流有0.6 m A的误差,输出电压有0.147 V的误差。
文摘为了促进人工智能在教育领域的深度应用,加快实现人工智能为教育赋能,本文以Web of Science数据库核心数据合集中313篇以“人工智能+教育”为主题的文献作为研究样本,利用CiteSpace知识图谱软件从文本和视图两方面进行聚类分析,发现国外教育人工智能的研究热点有智能导师系统、人工智能教育机器人、机器学习、学习模型、智慧学习、计算思维。研究趋势是将计算机技术和神经科学、认知科学结合起来应用于学习认知、情绪认知等。基于此,本文提出我国教育人工智能研究应深化研究层次,注重对意识、情感、态度的研究;重视人工智能应用于教育的效果评估及影响因素研究;利用VR/AR进行跨媒体融合研究,构建智慧学习空间;由知识掌握转向智能核心素养的培养;促进教育人工智能的学习内容、教学模式改革研究。
文摘本文针对灰狼优化(Grey Wolf Optimizer,GWO)算法平衡全局探索和局部搜索能力的不足,提出了一种基于反向改进的灰狼算法(Opposition Learning Grey Wolf Optimizer,OLGWO),来优化预测模型的超参数,以提高其用于交通流预测的精度与鲁棒性.本算法在迭代过程中采用了反向学习策略,并引入了等级相关概念,主要通过计算普通狼与目标狼的Spearman相关系数,并根据其值来选择性地更新狼种群.实验先对12个标准测试函数对比了四种算法OLGWO、TGWO(Transformed Grey Wolf Optimizer)、GWO、PSO(Particle Swarm Optimization),得到了寻优均值和标准差,验证了OLGWO算法具有突出的性能优势;然后采用美国加州公路交通流数据,在不同缺失率下比较了四种算法优化的反向传播(Back Propagation,BP)网络模型,结果显示,OLGWO-BP模型预测精度比其它三种模型最高分别有1.95%、3.98%和11.07%的提升,同时表现出更好的稳定性.
