检索范围:
排序: 展示方式:
向量量化综述 Regular Papers
Ze-bin WU, Jun-qing YU
《信息与电子工程前沿(英文)》 2019年 第20卷 第4期 页码 507-524 doi: 10.1631/FITEE.1700833
关键词: 近似近邻搜索;图像编码;向量量化
黄佳典,李彦强,董理
《中国工程科学》 2015年 第17卷 第5期 页码 14-19
通过基准比较分析法、相似产品类比和德尔菲法、模型估算法和统计推断法4种方法对舰船装备可靠性、维修性和保障性指标量化适应性进行了研究分析和数据验证,提出了舰船装备顶层参数指标、单项指标和“三性”指标量化的原则。
关键词: 可靠性;维修性;保障性;指标量化
周安亮,王德成
《中国工程科学》 2017年 第19卷 第5期 页码 103-108 doi: 10.15302/J-SSCAE-2017.05.018
本文从轻量化材料焊接最终目标和需求、数字化和智能化技术发展趋势、焊接车间柔性构建三个维度出发,结合先进制造车间智能化和焊接工艺数字化技术发展趋势,分析得出了轻量化材料焊接车间智能化需满足的焊接控制管理实时化、焊接过程质量控制闭环化、焊接性分析数据化、焊接工艺分析智能化、快速互换装夹(柔性化)、焊缝质量检测工具化、焊接生产管理数字化、焊接基础数据库无纸化八大基本要素
边信道攻击和学习向量量化 Article
Ehsan SAEEDI, Yinan KONG, Md. Selim HOSSAIN
《信息与电子工程前沿(英文)》 2017年 第18卷 第4期 页码 511-518 doi: 10.1631/FITEE.1500460
朱增银,李冰,高鸣,田爱军
《中国工程科学》 2010年 第12卷 第6期 页码 131-136
考虑量化输入信号的多智能体系统自适应输出反馈编队跟踪控制 None
Jing-lin HU, Xiu-xia SUN, Lei HE, Ri LIU, Xiong-feng DENG
《信息与电子工程前沿(英文)》 2018年 第19卷 第9期 页码 1086-1097 doi: 10.1631/FITEE.1601801
住宅建筑需求侧柔性——定义、柔性负荷及量化方法 Review
罗正意, 彭晋卿, 曹静宇, 殷荣欣, 邹斌, 谭羽桐, 严晋跃
《工程(英文)》 2022年 第16卷 第9期 页码 123-140 doi: 10.1016/j.eng.2022.01.010
本文综述了近年来关于住宅建筑需求侧柔性的定义、柔性负荷及柔性量化方法方面的研究。首先,针对建筑需求侧柔性、运行柔性和能源柔性等不同的术语,进行了系统的比较和区分;其次,对住宅建筑主要柔性负荷的运行特性和柔性能力进行了总结和比较;再次,对柔性负荷的建模方法和柔性量化指标也进行了详细的综述和总结此外,本文给出了用于柔性负荷建模的白箱、灰箱和黑箱模型在不同应用场合下适用性的建议;对于柔性量化指标,现有研究主要从功率、时间、能量、效率、经济性和环保性等维度提出了大量的指标,但是缺少统一的柔性量化体系本文能够帮助读者更好地理解建筑需求侧柔性、区分与柔性相关的不同的术语、了解住宅建筑不同柔性负荷的运行特性和柔性能力,同时也能为柔性负荷的建模和柔性量化的相关研究提供指导。
基于联邦边缘学习的梯度量化和带宽分配优化策略 Research Article
刘沛西1,3,江甲沫2,朱光旭3,程磊4,5,蒋伟1,罗武1,杜滢2,王志勤2
《信息与电子工程前沿(英文)》 2022年 第23卷 第8期 页码 1247-1263 doi: 10.1631/FITEE.2100538
黎放,狄鹏,胡斌,徐一帆
《中国工程科学》 2015年 第17卷 第5期 页码 10-13
随着舰船装备复杂程度和保障难度的大幅提升,为确保列装的舰船装备“好保障”,进一步推进舰船装备综合保障工程化的相关工作意义重大。研究了综合保障工程化的内涵,总结归纳了舰船装备综合保障工程化的主要工作和有效实施的办法,分析了当前舰船装备综合保障工程化面临的突出问题,提出了改进综合保障工作的建议。
关键词: 可靠性;维修性;保障性;指标量化
复杂结构中异常区域对波速成像影响的量化研究 Article
董陇军, 童小洁, 马举
《工程(英文)》 2021年 第7卷 第7期 页码 1011-1022 doi: 10.1016/j.eng.2020.06.021
陈幼玲,徐志磊
《中国工程科学》 2008年 第10卷 第7期 页码 28-34
关键词: 复杂装备 综合集成设计 不确定性与裕度的量化
面向高性能计算的自部署运行环境 Research Articles
邵明天,卢凯,张文喆
《信息与电子工程前沿(英文)》 2022年 第23卷 第6期 页码 845-857 doi: 10.1631/FITEE.2100016
传统高性能计算系统提供了标准的预置环境来支持科学计算。然而,高性能计算的发展需要为越来越多应用提供支持,如人工智能、大数据等。标准的预设环境已无法满足这些多样化的要求。如果用户仍然在高性能计算系统上运行这些新兴应用程序,他们需要手动维护应用程序的特定依赖项(库、环境变量等),这增加了用户的开发和部署负担。此外,多用户模式也带来用户之间的隐私问题。像Docker和Singularity这样的容器可以封装作业的执行环境,但是在高度定制的高性能计算系统中,Docker和Singularity的跨环境应用部署是受限的。容器镜像的引入也给系统管理员增加了维护负担。针对上述问题,本文提出一种适用于高性能计算的自部署执行环境(SDEE)。SDEE结合了传统虚拟化和现代容器的优点,为用户提供了一个独立、可定制的环境(类似于虚拟机)。该用户是此环境中的根用户。用户开发和调试应用程序,并在此环境中部署其特殊的依赖项,然后可以通过传统高性能计算系统的作业管理系统,直接将作业加载到计算节点。作业及其依赖项将被自动分析、打包、部署和执行。该过程实现了透明、快速的作业部署,不仅减轻了用户负担,而且保护了用户隐私。实验表明,SDEE引入的开销可忽略不计,比Docker和Singularity都要低。
标题 作者 时间 类型 操作