首页期刊导航|哈尔滨商业大学学报(自然科学版)
期刊信息/Journal information
哈尔滨商业大学学报(自然科学版)
哈尔滨商业大学
哈尔滨商业大学学报(自然科学版)

哈尔滨商业大学

季宇彬

双月刊

1672-0946

hsdxb@163.com;zirxb@hrbcu.edu.cn

0451-84844417

150076

哈尔滨市道里区通达街138号

哈尔滨商业大学学报(自然科学版)/Journal Journal of Harbin University of Commerce(Natural Sciences Edition)CSTPCD
查看更多>>本刊是中国科技核心期刊,中国学术期刊综合评价数据库来源期刊和中国科学引文数据库来源期刊,并被美国化学文摘、俄罗斯文摘、美国剑桥文摘收录,是由哈尔滨商业大学主办的理工科综合性学术期刊,国内外公开发行。
正式出版
收录年代

    基于GWO-VMD的涡轮叶片特征提取

    冯驰唐林伊
    387-396页
    查看更多>>摘要:燃气轮机涡轮叶片是燃气轮机的重要组成部分,长期工作在高温、高压、高速的恶劣环境下,健康的涡轮叶片能够保证燃气轮机高效率地工作。温度是反映燃气轮机涡轮叶片状态的关键参数,在涡轮叶片发生涂层脱落、断裂等故障时,叶片表面温度会发生变化,为了衡量涡轮叶片的健康状态,采用了温度这一叶片质量的重要指标,对数据预处理并进行特征提取,将涡轮叶片特征聚类。基于GWO-VMD提取叶片温度信号经分解后各IMF分量的4 种熵特征,使用PCA对提取到的叶片特征进行降维,将降维后的特征送入FCM聚类算法,通过SSE和轮廓系数得到最佳聚类个数,实现对叶片特征的聚类。聚类效果表明,该特征提取方法能够较好地区分不同涡轮叶片的健康状态,为涡轮叶片健康监测的研究提供了一定思路。

    涡轮叶片特征提取灰狼优化算法变分模态分解模糊C均值聚类

    基于ROS的自主导航消毒服务机器人研究

    王栋张军邹看看
    397-403页
    查看更多>>摘要:随着现代社会的发展,人们对公共卫生消毒的重视进一步提高,消毒服务机器人在科技发展的推动下备受市场的追捧。针对人工消毒效率低,消毒不全面,人工成本高等问题,设计一款具有消毒与自主导航功能的服务机器人。机器人喷雾消毒模块中的消毒喷雾器可通过两自由度机械臂控制自动上下和左右旋转,可满足不同的喷雾需求。在SolidWorks软件中构建消毒机器人模型,采用运动学建模对消毒机器人运动模式和运动方式进行分析。以校医院为应用场景,借助rviz与gazebo软件,搭建消毒运输服务机器人的仿真环境,通过机器人自主路径规划,验证机器人能否实现单点和多点自主导航。实验表明,消毒机器人能够自主完成路径的合理规划,实现单点和多点自主导航,并可实现对室内环境的全面消毒。

    消毒服务机器人运动学建模多点自主导航路径规划应用场景

    基于深度网络投票的抗血管生成肽识别

    李锦贺兴时梁芸芸
    404-412页
    查看更多>>摘要:血管生成在各种疾病中,尤其是癌症的发病机制中起着关键作用,因此开发更加快速高效的抗血管生成肽(AAPs)智能识别工具尤为重要。基于多种特征工程、深度学习和集成学习构建了一个深度网络投票的识别模型iAAPs-DNV。采用AAindex编码、分组权重编码(EBGW)、K-间隔氨基酸对(KSAAP)、基于物理化学性质的二阶移动平均(SOMA)和BLOSUM62 编码提取氨基酸序列的特征信息。利用软投票策略集成加入了注意力机制(attention)的双向长短期记忆网络(BiLSTM)和卷积神经网络(CNN),并通过全连接层输出识别结果。iAAPs-DNV模型在Main数据集和NT15 数据集上的识别精度明显优于已有的识别模型,表明该模型能够高效准确地识别抗血管生成肽。

    抗血管生成肽双向长短期记忆网络卷积神经网络软投票注意力机制

    基于改进的卷积神经网络水果分类算法设计

    李银银刘磊孙大杰赵静...
    413-422页
    查看更多>>摘要:水果分类对于水果生产、加工、运输以及自助销售都有重要意义。卷积神经网络通过多层次的特征学习和自动特征提取,能够高效地处理和分类大量水果,在水果分类方面具有出突出的优势。然而,目前的水果分类方法存在诸多问题,如过度依赖人工、准确率不高、智能化程度不足以及鲁棒性差等。为解决这些问题,提出一种改进的YOLOv3卷积神经网络水果分类算法。利用LabelImg工具进行数据标注,把YOLOv3 主干网络draknet53 替换为DenseNet网络,建立网络层之间的密集连接,增强水果图像的特征信息,实现特征复用,减少计算参数量,强化特征训练,进而训练出一种准确度较高的水果分类模型。经测试,改进的算法对水果分类识别平均准确率达到98%,显著提升了水果分类的准确性。

    水果分类卷积神经网络DenseNet模型YOLOv3数据标注特征复用

    基于多视图Transformer的下一个事件预测

    刘富豪卢可
    423-432页
    查看更多>>摘要:预测性业务流程监控依赖存储在事件日志中的历史数据预测当前执行流程的未来趋势。现有的基于深度学习的方法往往只考虑事件的活动和时间戳,忽略了事件的其他属性,导致预测下一个事件不够准确。针对此问题,提出一种基于多视图的Trans-former模型进行预测,旨在提高对下一个事件的预测准确性。该模型基于事件日志中记录的各种事件信息,融合了自注意机制来建立事件序列和相应输出之间的复杂依赖关系,更全面地利用事件日志的信息。在4 个真实生活事件数据集上的实验结果表明,所提出的方法在一定程度上提高了预测下一个事件任务的准确性,更准确地预测了未来业务流程中的事件。

    业务流程深度学习预测性业务流程监控自注意机制多视图Transformer

    马尔科夫切换下一类随机延迟微分方程的平稳分布

    顾利倩王伟
    433-437,448页
    查看更多>>摘要:在随机分析问题中,诸多算法都是建立在随机系统平稳分布的存在唯一性的基础上。研究希尔伯特空间上马尔科夫切换下一类随机延迟微分方程平稳分布的存在唯一性。考虑所研究方程相应的确定性方程的基本解,并利用常数变易公式将解进行表示。利用弱收敛方法和马尔科夫链的性质给出所需假设,以此建立马尔科夫切换下平稳分布存在的条件。在假设基础上,通过伊藤等距公式,Gronwall引理和基本解的指数稳定性,给出了该随机延迟微分方程平稳分布存在唯一性的充分条件,并予以严格证明。结论改进和推广了已有文献的相关结果。

    马尔科夫切换随机延迟微分方程平稳分布基本解Gronwall引理伊藤公式

    单圈图的细分顶点Wiener指数的研究

    常旻宇耿显亚
    438-440页
    查看更多>>摘要:细分顶点是一种用于修改图结构的方法,细分操作涉及将图中的边替换为由新顶点连接的路径,从而增加顶点数目并改变图的各种性质,例如直径、连通性、图的谱性质以及其他拓扑特性。细分顶点在化学图论、网络设计和电路理论中有着重要的应用。如果在一个图中用k个新的细分顶点替换一条边,则该边会被一条长度为(k+1)的路径取代。Wiener指数W(T)定义为树T所有顶点之间的距离之和,通过添加一条边构建一个单圈图U。用(k+2)阶的细分边更换单圈图U的一条边e构建出新图Ue,则可构建一个W(U)和W(U1)+W(U2)+…W(Un)的关系。探讨了细分顶点的定义及其基本性质,分析细分操作对图的几何和谱性质的影响,并讨论细分顶点在实际应用中的一些典型案例。

    单圈图Wiener指数细分边距离之和更换

    切换正线性系统在模型依赖平均驻留时间下的异步L1控制

    刘婷婷路俊影安夏伶
    441-448页
    查看更多>>摘要:研究一类切换正线性系统在模型依赖平均驻留时间(MDADT)切换信号下的异步L1 控制问题。通过构造适当的李亚普诺夫(Lyapunov)函数,基于MDADT切换信号,讨论了一类切换正线性系统在异步切换下的指数稳定性,并进一步给出了其在异步切换下具有指数的 L1-增益性能(γ)的充分条件。基于已建立的稳定性定理和MDADT切换信号,设计了一类异步状态反馈控制器,使得闭环系统在异步切换下是正的并且具有指数的L1-增益性能(γ),给出了求解控制器的增益矩阵Ki 的具体算法。此外,所得结论都是以代数矩阵不等式的形式给出的,可以利用Matlab中的LP工具箱进行求解。给出了一个数值算例验证了所得结论的有效性和可行性。

    切换正系统模型依赖平均驻留时间Lyapunov函数异步切换指数稳定L1-增益性能

    剖分图上的无符号拉普拉斯完美态转移

    康春辉
    449-454页
    查看更多>>摘要:图G的剖分图S(G)是通过在图G的每条边中插入一个新的顶点而得到的图。为解决剖分图的无符号拉普拉斯完美态转移问题,采用剖分图的无符号拉普拉斯矩阵的谱分解形式,对r-正则图G(r≥2)的剖分图S(G)上的无符号拉普拉斯完美态转移问题进行研究,得到了r-正则图G(r≥2)的剖分图S(G)的特征值和对应的特征投影,结果表明,若r-1 不是图G的无符号拉普拉斯特征值,则S(G)不存在无符号拉普拉斯完美态转移。

    剖分图特征值特征向量谱分解完美态转移

    拟单圈图的调和指数

    赵洁马晓玢
    455-459页
    查看更多>>摘要:调和指数是一个与图的边和顶点度的相关概念,调和指数在图中代表了一种度量图的边权重的方式。设图G是n阶的简单图,图G的调和指数H(G)定义为H(G)=∑ uv∈E(G)2/d(u)+d(v),其中E(G)表示图G中的边,d(u)和d(v)分别在图G中表示顶点u和v的度。拟单圈图是一类特殊的图,它不是单圈图,且在图G中存在点u∈V(G),使得G-u为连通的单圈图,则图G就称为拟单圈图。针对d(u)≥2 的情况下,给出了拟单圈图的调和指数的下界,并在此情况下刻画了极图。

    单圈图拟单圈图顶点度边权重调和指数极图