車載鋰電池荷電狀態(tài)值和其他電動勢E 之間的關(guān)系呈現(xiàn)出了一種相對穩(wěn)定的狀態(tài)，也就是E-SOC 曲線。在鋰電池長期保持安靜的狀態(tài)下，電池的電極也會處在一個平衡的狀態(tài)下，這時(shí)電動勢E 就是開路電壓，這樣電動勢法以電池開路電壓看作是輸入來對電池當(dāng)前的荷電狀態(tài)進(jìn)行估算分析。在進(jìn)行試驗(yàn)測量的過程中，通常會在溫度恒定的狀態(tài)下進(jìn)行測量，溫度會控制在25℃左右，在合適的電流下進(jìn)行放電處理，電池的荷電狀態(tài)每降低5%，靜置的時(shí)間為3 ～5 小時(shí)，然后將相對應(yīng)的開路電壓記錄下來。

輪函數(shù)用來更新狀態(tài)值，狀態(tài)值保證算法的正確性。算法處理數(shù)據(jù)的過程簡潔有效，從而優(yōu)化了算法運(yùn)行過程，減少了資源消耗。AEUR 算法對多種安全性分析方法具有充分的抵抗能力，為國產(chǎn)密碼算法應(yīng)用提供了一條新的參考途徑。3) 應(yīng)用SSE（streaming SIMD extension）指令集[9]對AEUR 算法進(jìn)行了軟件實(shí)現(xiàn)。對AEUR 算法進(jìn)行實(shí)現(xiàn)速率測試，以軟件運(yùn)行時(shí)間計(jì)算，AEUR算法相比其他同類算法在運(yùn)算速度上均有不同程度的提升，具有較好的綜合性能。1

電池單體的荷電狀態(tài)值，m個電池單體荷電狀態(tài)值的平均值為，m個電池單體荷電狀態(tài)值的方差為δbi2。設(shè)定電池單體的啟動均衡值為δb0，當(dāng)m個電池單體荷電狀態(tài)值的方差大于這個設(shè)定值時(shí)，則開啟電池單體級均衡控制策略，此時(shí)的均衡開啟條件滿足式（1）：在啟動均衡以后，需要實(shí)時(shí)監(jiān)測電池模塊內(nèi)電池單體荷電狀態(tài)值的一致性情況，設(shè)定一個停止均衡值δb1。當(dāng)n個電池單體荷電狀態(tài)值的總體方差小于這個設(shè)定值時(shí)，則停止電池單體級均衡控制策略，此時(shí)的均衡停止條件滿足式（2）：3.1.2

實(shí)現(xiàn)所有智能體狀態(tài)值的一致或同步.然而,由于多智能體系統(tǒng)所具有的開放式網(wǎng)絡(luò)環(huán)境、通信渠道種類單一、節(jié)點(diǎn)同構(gòu)性高且單個節(jié)點(diǎn)資源有限等特性,使得網(wǎng)絡(luò)中通訊鏈路容易被惡意第三方竊聽或破壞.因此如何在惡意網(wǎng)絡(luò)環(huán)境下實(shí)現(xiàn)節(jié)點(diǎn)之間狀態(tài)信息的隱私保護(hù)和精準(zhǔn)趨同,已成為多智能體系統(tǒng)研究的新挑戰(zhàn).具體地,多智能體系統(tǒng)趨同控制在實(shí)際應(yīng)用中面臨兩個關(guān)鍵問題:1)節(jié)點(diǎn)自身初始狀態(tài)信息的隱私泄露問題;2)節(jié)點(diǎn)間的通信鏈路可能會遭受網(wǎng)絡(luò)攻擊的問題,如拒絕服務(wù)(Denial-of-se

腑有5個階段的狀態(tài)值來呈現(xiàn)，如圖3所示。圖3 五臟的狀態(tài)值狀態(tài)值在(-1，b1)區(qū)間時(shí)，值是非常低的，產(chǎn)生相生的能量是處于困難狀態(tài)。在(b1，a1)區(qū)間時(shí)，值是處于一個低的病態(tài)狀態(tài)，產(chǎn)生相生的能量是處于困難狀態(tài)。在(a1，a2)區(qū)間時(shí)，值是處于一個平衡狀態(tài)，身體保持健康平衡。在(a2，b1)區(qū)間時(shí)，值是處于一個過剩的病態(tài)狀態(tài)，產(chǎn)生相克的能量狀態(tài)。在(b1，1)區(qū)間時(shí)，值是處于一個過剩嚴(yán)重的病態(tài)狀態(tài)。這個值是根據(jù)每個人的體質(zhì)和環(huán)境的差異而不同的。在這里定義X

想調(diào)制坐標(biāo)點(diǎn)的狀態(tài)值，將水印信息映射到狀態(tài)區(qū)間中，狀態(tài)區(qū)間根據(jù)矢量地圖中坐標(biāo)點(diǎn)的最大擾動區(qū)域(maximum perturbation region,MPR)進(jìn)行范圍限制，從而控制坐標(biāo)點(diǎn)的合理移動范圍，實(shí)現(xiàn)擾動程度可控的矢量地圖可逆水印算法。1 可控?cái)_動的區(qū)間映射可逆水印算法1.1 數(shù)據(jù)預(yù)處理方法1.1.1 矢量地圖預(yù)處理1.1.2 水印信息預(yù)處理(1)在嵌入水印時(shí)，將Wdecimal中的nw個水印序列按照設(shè)定的順序嵌入nw個坐標(biāo)值中。(2)1.2 水印嵌

參與運(yùn)算的變量狀態(tài)值，并通過可視化的波形在電務(wù)維修機(jī)上直觀的呈現(xiàn)，具備實(shí)時(shí)監(jiān)測聯(lián)鎖內(nèi)部所有參數(shù)的功能，同時(shí)還可以將參數(shù)跟蹤過程中的狀態(tài)記錄在特定的日志文件中。在聯(lián)鎖系統(tǒng)軟件調(diào)試，測試，聯(lián)鎖數(shù)據(jù)制作發(fā)布以及現(xiàn)場故障排查時(shí)，具有越來越廣泛的應(yīng)用，并發(fā)揮越來越重要的作用。1 需求分析以及背景介紹在聯(lián)鎖數(shù)據(jù)制作和發(fā)布，以及聯(lián)鎖下位機(jī)程序開發(fā)的過程中，黑盒的聯(lián)鎖狀態(tài)不利于聯(lián)鎖系統(tǒng)的維護(hù)和故障診斷。原因在于，用戶無法知道聯(lián)鎖系統(tǒng)內(nèi)部運(yùn)行的每個參數(shù)狀態(tài)是否正確。中間發(fā)生

入是8個變量，狀態(tài)值作為標(biāo)簽，將整理好的100組數(shù)據(jù)隨機(jī)分為三組：①80組用于訓(xùn)練機(jī)器學(xué)習(xí)模型；②10組用于驗(yàn)證模型效果；③10組用于測試訓(xùn)練好的模型，表1提供了SVM算法在驗(yàn)證模型效果時(shí)5組數(shù)據(jù)的誤差和預(yù)測準(zhǔn)確率。表1 配電箱健康狀態(tài)預(yù)測的驗(yàn)證結(jié)果4.3 設(shè)備維護(hù)計(jì)劃設(shè)備狀態(tài)預(yù)測旨在通過歷史維護(hù)數(shù)據(jù)預(yù)測設(shè)備性能，為了量化設(shè)備健康狀態(tài)，制定設(shè)備健康狀態(tài)量表，預(yù)測的狀態(tài)值會匹配到不同的設(shè)備狀態(tài)等級，維護(hù)人員根據(jù)設(shè)備預(yù)測結(jié)果提前采取維護(hù)操作，具體的設(shè)備健康狀態(tài)

復(fù)雜混沌系統(tǒng)的狀態(tài)值在相空間的分布往往是不均勻的，從而為攻擊者進(jìn)行統(tǒng)計(jì)攻擊或者暴力攻擊提供了便利. 文獻(xiàn)[17]正是利用了這種不足，對一種基于DNA 編碼和時(shí)空混沌的圖像加密算法實(shí)施了有效的攻擊.針對上述安全問題，本文將分段時(shí)空混沌與暫態(tài)變換結(jié)合，構(gòu)造了一個新的混沌模型T2DCML（T-2D coupled map lattices）. 該模型以分段混沌系統(tǒng)作為局部映射，很好地平衡了系統(tǒng)復(fù)雜性和效率之間的關(guān)系. 同時(shí)，利用暫態(tài)變換實(shí)現(xiàn)了模型狀態(tài)值的均勻分布

波算法中的目標(biāo)狀態(tài)值，是由目標(biāo)狀態(tài)空間方程、濾波觀測方程加上實(shí)時(shí)測量噪聲和系統(tǒng)噪聲逐步地推計(jì)算得到的。在目標(biāo)跟蹤過程中，目標(biāo)的測量時(shí)刻都有各種干擾噪聲?？柭鼮V波實(shí)質(zhì)上就是通過基于目標(biāo)的運(yùn)動特征，來減小甚至消除噪聲，實(shí)現(xiàn)達(dá)到最優(yōu)估計(jì)的效果，具有以下優(yōu)點(diǎn)：（1）系統(tǒng)增益可以動態(tài)計(jì)算，同一個濾波設(shè)計(jì)適用于多種機(jī)動狀態(tài)。（2）利用協(xié)方差矩陣快速地對估計(jì)精度進(jìn)行準(zhǔn)確測量。（3）通過對殘差的變化分析，來判斷當(dāng)前目標(biāo)運(yùn)動模型是否可靠。（4）卡爾曼增益序列根據(jù)運(yùn)動狀態(tài)自

和位移同時(shí)作為狀態(tài)值[16]，構(gòu)造狀態(tài)空間方程，采用粒子濾波算法直接對結(jié)構(gòu)參數(shù)與荷載進(jìn)行識別，步驟相對簡單。同時(shí)，針對荷載辨識結(jié)果漂移的問題，將加速度數(shù)據(jù)進(jìn)行梯形積分和零相位高通濾波，求得速度和位移的計(jì)算值，利用計(jì)算值來更新由粒子濾波求得的速度和位移狀態(tài)值，長時(shí)間確保荷載識別的準(zhǔn)確性。1 狀態(tài)空間方程一般來說，土木結(jié)構(gòu)的狀態(tài)空間方程為(1)其中，xk、uk和yk分別是第k時(shí)間步的狀態(tài)值(包括位移和速度)、荷載激勵和結(jié)構(gòu)響應(yīng)；ωk和νk分別是第k時(shí)間步的過程

都存在一個穩(wěn)定狀態(tài)值，這個值可以使每一天這個時(shí)刻的運(yùn)行值都是圍繞這個穩(wěn)定運(yùn)行狀態(tài)在運(yùn)行的，即穩(wěn)定狀態(tài)值與每天同一個時(shí)刻樣本中所有指標(biāo)之間的差值之和是最小的，如式(1)。(1)其中，f(x)表示樣本同時(shí)刻每一個值與理論穩(wěn)定值之間的差值之和；x表示樣本中種同時(shí)刻每一個時(shí)刻的監(jiān)控歷史記錄值；X表示同時(shí)刻x樣本的平均值；a表示修正平均值的修正值，即X+a是計(jì)算時(shí)刻歷史記錄中理論穩(wěn)定運(yùn)行的狀態(tài)值；n表示樣本中這個時(shí)刻的數(shù)據(jù)量，即為計(jì)算的樣本歷史天數(shù)。通過絕對值函數(shù)特

的整車BEC 狀態(tài)值與BEC 目標(biāo)值，是優(yōu)化產(chǎn)品設(shè)計(jì)的基礎(chǔ)。整車BEC 狀態(tài)值是某車型當(dāng)前狀態(tài)下的零件BEC 之和。BEC 目標(biāo)值是該車型實(shí)現(xiàn)功能與定位的最低BEC。BEC 狀態(tài)值與目標(biāo)值之間的差距，即是結(jié)構(gòu)優(yōu)化的目標(biāo)。由于車型的造型、尺寸、定位、驅(qū)動力等差異，不同車型的零件設(shè)計(jì)與零件數(shù)量各不相同，由此造成整車BEC 狀態(tài)值不同。對于全新開發(fā)的車型，以整車零件清單為基準(zhǔn)，通過MTM 方法可核算該車型的整車BEC 狀態(tài)值。對于改款車型，根據(jù)車型變化點(diǎn)在老款車

法對蓄電池荷電狀態(tài)值調(diào)節(jié)能力欠缺。因此，引入下垂控制的同步電壓源控制方法可以讓負(fù)載功率按比例維持平衡。通過引入荷電狀態(tài)值或者虛擬阻抗，對下垂系數(shù)控制方法進(jìn)行改進(jìn)，從而改善蓄電池儲能的荷電狀態(tài)平衡情況[14-15]。然而，目前下垂控制方法仍易造成直流母線電壓小于參考電壓，進(jìn)而造成母線電壓恢復(fù)時(shí)間較長。因此，需研究一種儲能優(yōu)化及荷電狀態(tài)均衡的直流微電網(wǎng)控制方法。本文針對直流微電網(wǎng)中基于儲能優(yōu)化控制策略及荷電狀態(tài)均衡控制策略展開了研究。首先，針對直流微電網(wǎng)結(jié)構(gòu)和

關(guān)鍵技術(shù)之一是狀態(tài)值趨同,即系統(tǒng)中的每個成員通過本地感知收集不同的狀態(tài)值,與鄰居交換這些信息,協(xié)調(diào)全局變量達(dá)到一致[4–8].目前學(xué)者們已提出多種方法解決多智能體系統(tǒng)趨同問題[5–7].但這些研究成果中大多數(shù)都假設(shè)所有的智能體處于一個安全的工作環(huán)境,即它們的控制器、傳感器等不會因網(wǎng)絡(luò)攻擊而失效.顯然,隨著網(wǎng)絡(luò)安全事件日益突發(fā),高度網(wǎng)絡(luò)化的多智能體系統(tǒng)容易遭受惡意攻擊.例如,攻擊者可能通過控制網(wǎng)絡(luò)中部分智能體的通信模塊,傳遞虛假數(shù)據(jù),致使系統(tǒng)性能下降或發(fā)生嚴(yán)

為四個等級，將狀態(tài)值描述范圍擴(kuò)展到包含超出規(guī)程規(guī)定注意值的情況，對狀態(tài)分級重新進(jìn)行定義，詳細(xì)描述見表2。表2 層次分析模型狀態(tài)值及其描述Table 2 State value scope for hierarchy analysis model1.2 健康指數(shù)模型中的變壓器狀態(tài)分級為了便于對比，將變壓器明顯老化對應(yīng)的健康指數(shù)分界點(diǎn)作為縮短試驗(yàn)（檢修）周期的分界點(diǎn)，按照設(shè)備狀態(tài)顯著性差異劃分標(biāo)準(zhǔn)，根據(jù)變壓器健康指數(shù)將變壓器狀態(tài)等級劃分如表3所示。表3 健康指

中指標(biāo)節(jié)點(diǎn)初始狀態(tài)值AG(0)通過變換函數(shù)f進(jìn)行迭代，當(dāng)陷入固定點(diǎn)狀態(tài)或者處于極限環(huán)狀態(tài)，則迭代過程結(jié)束，系統(tǒng)處于穩(wěn)定狀態(tài)。2) WTFCM模型權(quán)值優(yōu)化算法。將非線性Hebbian學(xué)習(xí)算法應(yīng)用到FCM中，求取最優(yōu)關(guān)聯(lián)矩陣，此時(shí)式(1)變?yōu)槭?3)。(3)(4)①輸出節(jié)點(diǎn)狀態(tài)值與目標(biāo)平均值間差異最小化，即式(5)。(5)②當(dāng)輸出節(jié)點(diǎn)ci相鄰時(shí)刻狀態(tài)值之差小于ε時(shí)，系統(tǒng)處于穩(wěn)定狀態(tài)，即式(6)。(6)式中，ε為保證F2盡量小的容忍值，當(dāng)①、②都滿足時(shí)權(quán)值即為最

維設(shè)計(jì)對于專業(yè)狀態(tài)值的控制三維設(shè)計(jì)對于專業(yè)布置設(shè)計(jì)往往采用狀態(tài)值來進(jìn)行控制和測量，與此同時(shí)，還會派專業(yè)的工作人員監(jiān)測狀態(tài)值的升降，這種做法可以有效控制專業(yè)設(shè)計(jì)的進(jìn)程及其質(zhì)量，使設(shè)計(jì)的步驟更加細(xì)化，在未來查找問題時(shí)也更加方便。每一部分的設(shè)計(jì)過程都會被標(biāo)記一個狀態(tài)值，每一個狀態(tài)都要進(jìn)行校審，經(jīng)過校審，負(fù)責(zé)監(jiān)測狀態(tài)值的工作人員便會根據(jù)校審意見來調(diào)整狀態(tài)值，使其達(dá)到規(guī)定的標(biāo)準(zhǔn)。（二）專業(yè)布置數(shù)據(jù)的校審工作對于模型數(shù)據(jù)的校審?fù)ǔ苯釉谌S軟件中建立校審系統(tǒng)，并通過

對于各計(jì)數(shù)器的狀態(tài)值而言，我們會選擇采用直方圖方式來呈現(xiàn)，原因是您可以更快看出它們之間的相對關(guān)系，不過這種檢視方式通常使用在較少數(shù)量的計(jì)數(shù)器觀察上。例如，只需觀察Request Execution Time、ProcessorTime及Disk Time三者計(jì)數(shù)器的比較。當(dāng)您打算持續(xù)一段時(shí)間以直方圖呈現(xiàn)方式，來觀察網(wǎng)站應(yīng)用程序的性能表現(xiàn)時(shí)，最好能夠開啟每一個計(jì)數(shù)器的內(nèi)容，來修改所要呈現(xiàn)的色彩、寬度、刻度以及樣式，這樣也能夠讓您更加可視化地觀察它們各自的變化

，又兼顧各因素狀態(tài)值之間的組態(tài)水平，因而能科學(xué)地反映各因素在決策過程中所起的作用，以往關(guān)于檔案管理績效的研究主要是以常權(quán)權(quán)重進(jìn)行評價(jià)。比如，蔣超美對檔案信息化服務(wù)績效的評價(jià)是利用常權(quán)方法進(jìn)行量化分析[2]46；馬旭紅在構(gòu)建指標(biāo)體系基礎(chǔ)上，對檔案信息化建設(shè)績效進(jìn)行了常權(quán)定量評價(jià)[3]168；還有很多學(xué)者，比如張麗婭[4]93和李德清[5]1241等嘗試將均衡變權(quán)函數(shù)引入變權(quán)權(quán)重，進(jìn)行模糊評價(jià)的理論與模型方面的探究。本研究就是嘗試?yán)米儥?quán)方法，對檔案管理績效進(jìn)

在初始化時(shí)確定狀態(tài)值。部分頂點(diǎn)只代表了軟件的一個中間狀態(tài)，需要根據(jù)其他頂點(diǎn)的狀態(tài)動態(tài)計(jì)算實(shí)際的狀態(tài)值。頂點(diǎn)狀態(tài)初始化的第一步是獨(dú)立計(jì)算各個頂點(diǎn)的狀態(tài)值。對于無法獨(dú)立確定狀態(tài)值的頂點(diǎn)，采用默認(rèn)的load_state 方法設(shè)置初始狀態(tài)值。load_state 方法定義如下：需要說明的是，設(shè)置initted 成員為false，表示該頂點(diǎn)的狀態(tài)值沒有最終確定。對于可以獨(dú)立確定狀態(tài)值的頂點(diǎn)，則需要根據(jù)具體情況重載該方法，為state 成員設(shè)置合適的取值，并將init

對風(fēng)險(xiǎn)因子初始狀態(tài)值的評價(jià)結(jié)果將表2 結(jié)果通過加權(quán)平均法綜合，根據(jù)最大隸屬度平均法去模糊化處理，得到各概念的初始狀態(tài)值C（t0），結(jié)果如下：最后運(yùn)用MATLAB 軟件迭代計(jì)算概念狀態(tài)值，每個概念初始狀態(tài)向量和鄰接矩陣相乘得到輸出結(jié)果，這個結(jié)果繼續(xù)與鄰接矩陣相乘，持續(xù)迭代下去，直到每個概念的狀態(tài)值穩(wěn)定不變，第1 次以及第k 次的迭代計(jì)算如公式（3）、公式（4）所示。式（3）、式（4）中，Wij為概念節(jié)點(diǎn)相互作用準(zhǔn)確值，為各概念的初始狀態(tài)值，為第一次迭代計(jì)算得

道路交通流具有狀態(tài)值和影響值的雙重時(shí)空特性.道路交通流時(shí)空特性受多種因素影響，在自然環(huán)境因素中，降雨事件對其有顯著影響.有關(guān)降雨事件對交通流時(shí)空特性的影響研究側(cè)重于對狀態(tài)值的影響研究，鮮有對影響值的影響研究.降雨事件對狀態(tài)值的影響研究主要可以總結(jié)成兩類：(1)基于顯性關(guān)系的分析.李長城[2]構(gòu)建了道路速度與降雨量的回歸模型，和飛飛[3]構(gòu)建了道路速度變化量與降雨量的回歸模型.基于顯性關(guān)系的分析，構(gòu)建交通流狀態(tài)值或狀態(tài)值變化量與降雨量的連續(xù)函數(shù)，描述降雨量對

還要對初始檢測狀態(tài)值進(jìn)行修正。統(tǒng)計(jì)存在邏輯關(guān)系傳感器同時(shí)異常的次數(shù)，記為k’,那么修正后的檢測狀態(tài)值為qk’。2.2 基于結(jié)構(gòu)樹的狀態(tài)評價(jià)按照裝備結(jié)構(gòu)樹定義系統(tǒng)評價(jià)結(jié)構(gòu)層級表，如圖1 所示。圖1 結(jié)構(gòu)樹示意圖（1）定義第m 個設(shè)備的第n 個子設(shè)備狀態(tài)值為Qmn，若該器件有傳感器，則取傳感器檢測狀態(tài)值；若無傳感器可計(jì)為1；（2）利用子節(jié)點(diǎn)設(shè)備狀態(tài)值計(jì)算父節(jié)點(diǎn)設(shè)備狀態(tài)值，評級模型如下。（3）按照上述模型由底層向上逐級計(jì)算即可得到全系統(tǒng)狀態(tài)評價(jià)結(jié)果。2.3 基于

通性，智能體的狀態(tài)值就不能達(dá)成一致。本文從保持連通性的角度出發(fā)，設(shè)計(jì)了一種改進(jìn)的Hegselmann-Krause一致性協(xié)議，使得多智能體系統(tǒng)可以始終保持連通，并最終一定能達(dá)成一致。本文的章節(jié)安排如下：II章節(jié)主要介紹一些閱讀本文所必需的基礎(chǔ)知識，包括圖論與矩陣論，離散一致性協(xié)議等等，并在末尾對本文研究的主要問題做了簡單的闡述。III章節(jié)陳述了本文的主要結(jié)果，提出了一種基于切換拓?fù)涞碾x散時(shí)間一致性協(xié)議。IV章節(jié)通過仿真實(shí)驗(yàn)驗(yàn)證了該協(xié)議的有效性。最后，V章節(jié)

擋位，F(xiàn)125狀態(tài)值（后4位代表擋位信號）的倒數(shù)第2位（此位狀態(tài)由F125端子9的狀態(tài)決定）始終為“0”（圖9），而其他3位擋位信號均能正常變化，由此推斷可能的故障原因有：F125端子9與J217端子T52b/36之間的線路故障；F125損壞；J217損壞。圖9 S擋時(shí)F125狀態(tài)值異常（截屏）圖10 探針的連接用pico示波器的4個通道同時(shí)測量F125端子1、端子7、端子9和端子5的電壓變化（圖10、圖11），分析可知，端子1、端子7和端子5的電壓隨著擋

在第k 輪的狀態(tài)值根據(jù)連接邊上的源節(jié)點(diǎn)在第k-1 輪的狀態(tài)值計(jì)算得到。在全局同步機(jī)制下，頂點(diǎn)的全局狀態(tài)依賴于所有邊分區(qū)內(nèi)頂點(diǎn)的局部狀態(tài)。當(dāng)所有邊分區(qū)頂點(diǎn)的局部狀態(tài)全部計(jì)算完畢，頂點(diǎn)的全局狀態(tài)更新才能開始。異構(gòu)環(huán)境下如果連接邊分布在多個不同的邊分區(qū)，那么本地計(jì)算耗時(shí)最長的邊分區(qū)將直接影響下一輪迭代開始的時(shí)間。2.3 異步更新為提高算法收斂速度，Zhang[6]認(rèn)為對公式（1）作適當(dāng)變形后，可以得到公式（2）：公式（2）表明目的節(jié)點(diǎn)j 在第k 輪的狀態(tài)可以通

核心思想是每個狀態(tài)值只取決于前面一個狀態(tài)而與其他狀態(tài)無關(guān)[21]。本文將數(shù)據(jù)包報(bào)文轉(zhuǎn)化為對應(yīng)的狀態(tài),通過建立正常通信和隱蔽通信的Markov模型狀態(tài)轉(zhuǎn)移概率矩陣,用相對熵來衡量兩者之間的差異。2 基于Markov模型的檢測算法2.1 Markov鏈Markov鏈?zhǔn)且粋€時(shí)間和狀態(tài)都是離散的馬爾可夫過程。假設(shè)數(shù)據(jù)鏈X={x1,x2,…,xn}中任意一個變量xt的值都在有限集E={0,1,…,n}中,即當(dāng)n≥1時(shí),i1,i2,…,in∈E,則式(1)成立。p{x

1：如果申請的狀態(tài)值為“null”，則申請的狀態(tài)值由“null”轉(zhuǎn)為“受理”；規(guī)則2：如果狀態(tài)值為“受理”的申請的用戶目標(biāo)不是當(dāng)前用戶中心的管理型號，則申請的狀態(tài)值由“受理”轉(zhuǎn)為“不受理”；規(guī)則3：如果狀態(tài)值為“受理”的申請的通信波段不在其申請的獨(dú)占資源通訊衛(wèi)星通信波段范圍內(nèi)，則申請的狀態(tài)值由“受理”轉(zhuǎn)為“不受理”；規(guī)則4：如果狀態(tài)值為“受理”的申請的任務(wù)持續(xù)時(shí)長小于2分鐘，則申請的狀態(tài)值由“受理”轉(zhuǎn)為“不受理”；規(guī)則5：如果狀態(tài)值為“受理”的申請的服務(wù)開

到其SOC充電狀態(tài)值，且SOC充電狀態(tài)值也能達(dá)到標(biāo)準(zhǔn)值，故可以排除蓄電池造成故障的可能；用萬用表測量發(fā)電機(jī)（IGC）的發(fā)電量，正常；發(fā)動機(jī)起動及運(yùn)行均正常，也無故障代碼存儲，且能用故障檢測儀正常讀取到動態(tài)數(shù)據(jù)流，因此暫時(shí)不考慮ECU損壞的可能；用故障檢測儀能讀取到蓄電池的“SOC充電狀態(tài)”值，但卻無法讀取到“SOC狀態(tài)值”（“SOC狀態(tài)值”顯示為1和2才表明EBS自學(xué)習(xí)成功）這一關(guān)鍵數(shù)據(jù)，因此無法知道EBS是否自學(xué)習(xí)成功，并且由于儀表盤上的蓄電池電量狀態(tài)顯

血糖蛋白、心理狀態(tài)值；不良反應(yīng)發(fā)生率。1.4 統(tǒng)計(jì)學(xué)方法：SPSS18.0軟件分別實(shí)施t、χ2檢驗(yàn)，P＜0.05為差異顯著。2 結(jié) 果2.1 兩組滿意程度分析：心理護(hù)理干預(yù)組對比常規(guī)護(hù)理干預(yù)組滿意程度更高，P＜0.05。心理護(hù)理干預(yù)組所有患者均滿意，常規(guī)護(hù)理干預(yù)組則僅有35例滿意。2.2 護(hù)理前后血糖指數(shù)值以及糖化血糖蛋白、心理狀態(tài)值分析：護(hù)理前兩組血糖指數(shù)值以及糖化血糖蛋白、心理狀態(tài)值接近，P＞0.05；護(hù)理后心理護(hù)理干預(yù)組血糖指數(shù)值以及糖化血糖蛋白、心

縮采樣得到初始狀態(tài)值xi(0)；（2）在第m個迭代時(shí)刻，CUi發(fā)送狀態(tài)值xi(m)給它的鄰居用戶，并接收鄰居用戶的狀態(tài)值；（3）CUi依據(jù)某種判斷規(guī)則，判別是否為MU，并處理其狀態(tài)值；（4）CUi依據(jù)一定的融合規(guī)則，迭代融合各狀態(tài)值，得到更新的本地狀態(tài)值xi(m+1)；（5）重復(fù)步驟（2）～步驟（4），直到所有CU得到收斂的狀態(tài)值；（6）CUi比較檢測門限與收斂的本地狀態(tài)值，判決PU信號是否存在。其中，判斷規(guī)則（3）和融合規(guī)則（4）是分布式抗SSDF惡意攻

法1.1 元胞狀態(tài)值的設(shè)定首先對安徽博物院平面地圖進(jìn)行灰度處理，之后將每個像素點(diǎn)視為元胞，地圖墻壁等無法到達(dá)的障礙物(圖1中的黑色部分)設(shè)定為0， 參觀者設(shè)定為1， 空地設(shè)定為2， 第i個出口(圖1中的虛線部分)的元胞值設(shè)定為Ui(Ui為充分大的整數(shù),i=1,2,…,n).按上述方法所制得的安徽博物院地形示意圖如圖1所示.1.2 元胞屬性的設(shè)定為建立元胞的屬性矩陣，本文從地形、心理等方面對影響行人疏散的因素進(jìn)行研究，各量化因素為：圖1 安徽博物院地形示意圖

線通信網(wǎng)絡(luò)中的狀態(tài)值，得到的檢測結(jié)果準(zhǔn)確率較低。張穎等[7]提出了一種無線通信網(wǎng)絡(luò)同步態(tài)的故障節(jié)點(diǎn)檢測算法，通過數(shù)學(xué)分析方法對自組織遠(yuǎn)距離無線通信網(wǎng)絡(luò)的動力學(xué)機(jī)制進(jìn)行描述，從全局的角度出發(fā)對無線通信網(wǎng)絡(luò)的健康程度進(jìn)行評價(jià)，采用耦合矩陣表示網(wǎng)絡(luò)節(jié)點(diǎn)中存在細(xì)節(jié)信息，通過分析耦合矩陣檢測出易受攻擊的節(jié)點(diǎn)，該算法檢測節(jié)點(diǎn)所用的時(shí)間較長，存在檢測效率低的問題。常琳等[8]提出了一種基于數(shù)據(jù)驅(qū)動的節(jié)點(diǎn)檢測算法，該算法根據(jù)各個節(jié)點(diǎn)中存在的信息構(gòu)建空間高維向量，通過鄰居節(jié)

步的最大動作-狀態(tài)值函數(shù)作為動作選擇的策略：基于Q-learning的強(qiáng)化學(xué)習(xí)方法建立在馬爾可夫決策過程理論框架上，即智能體與環(huán)境的交互過程中，t時(shí)刻的狀態(tài)St只與上一個狀態(tài)S(t-1)下所采取的動作a(t-1)有關(guān)，而與歷史狀態(tài)和動作無關(guān)，即：Q-learning更新函數(shù)：其中，α為學(xué)習(xí)率，學(xué)習(xí)率越大，迭代速度越快，但易過擬合；γ為折扣率，即未來獎勵對當(dāng)前動作的影響程度[10]。4 加入環(huán)境初始信息的快速Q(mào)-learning迭代算法傳統(tǒng)的Q-learni

同庫所的標(biāo)識和狀態(tài)值通過變遷的觸發(fā)來改變，而任何變遷的觸發(fā)都必須滿足一定的使能條件，即?s∈?t，M(s)≥W(s，t)，即M(s)≥1時(shí)，變遷t∈T才能使能.若一個庫所的標(biāo)識同時(shí)滿足兩個變遷使能條件，用空心長方形來表示觸發(fā)優(yōu)先級別高的變遷，即優(yōu)先觸發(fā)空心長方形表示的變遷.變遷觸發(fā)規(guī)則：若s∈?t-t?，M′(s)取M(s)-1，若s∈t?-?t，M′取M(s)，其他情況下M′(s)取M(s).如圖1(a)所示，?ti為si，M(si)=0如圖2(a)所示

設(shè)計(jì)實(shí)踐中的新狀態(tài)值獲取方法。因此，以目前應(yīng)用中占大多數(shù)的光電位置傳感器為例，針對轉(zhuǎn)子相對位置和傳感器輸出值分析狀態(tài)轉(zhuǎn)換表及其規(guī)律；分析在電機(jī)運(yùn)行時(shí)直接讀取傳感器來獲取新狀態(tài)值所遇到的問題，基于狀態(tài)轉(zhuǎn)換表規(guī)律，提出了依據(jù)上一次狀態(tài)值和捕捉當(dāng)前輸出值發(fā)生變化的傳感器編號而通過查表獲取的方法，并設(shè)計(jì)轉(zhuǎn)子正反轉(zhuǎn)查詢的表格。狀態(tài)轉(zhuǎn)換表分析和實(shí)踐中獲取新狀態(tài)值的思路和方法對于其它結(jié)構(gòu)形式的SRM調(diào)速系統(tǒng)均適用，可提供參考和借鑒。1 位置分布關(guān)系分析狀態(tài)轉(zhuǎn)換表可從轉(zhuǎn)子

的權(quán)重隨著因素狀態(tài)值的變化而變化，使因素的權(quán)重能更好地體現(xiàn)相應(yīng)因素在決策中的作用。物流網(wǎng)絡(luò)具有復(fù)雜性和動態(tài)性特征，因此，在進(jìn)行物流網(wǎng)絡(luò)的路徑選擇及貨流量分配時(shí)，應(yīng)從動態(tài)的角度考慮多種因素的綜合影響。本文在分析物流網(wǎng)絡(luò)構(gòu)成要素及要素屬性之間相互關(guān)系的基礎(chǔ)上，對這些因素由底至頂進(jìn)行分層，結(jié)合決策者的因素偏好，依據(jù)變權(quán)理論，研究各層因素權(quán)重的構(gòu)成與計(jì)算方法，從而建立物流網(wǎng)絡(luò)層次變權(quán)模型，在此基礎(chǔ)上對物流網(wǎng)絡(luò)的貨流量分配優(yōu)化問題進(jìn)行研究。1 物流網(wǎng)絡(luò)層次變權(quán)模型的

。表1中的電流狀態(tài)值的定義為：系統(tǒng)中發(fā)生故障后，開關(guān)n檢測流過自身的電流in，若方向與參考方向相同記為in；相反記為-in；若未檢測到電流記為0。以有功潮流方向作為電流方向的判定依據(jù)。表1中的狀態(tài)值是通過將關(guān)聯(lián)方向和對應(yīng)的電流狀態(tài)值相乘得到的，用Sn表示。當(dāng)Sn=in表示開關(guān)檢測到故障電流，且方向?yàn)榱魅氡緟^(qū)域；Sn= -in表示檢測到故障電流，方向?yàn)榱鞒霰緟^(qū)域；Sn=0表示未檢測到故障電流。表1 開關(guān)K5的開關(guān)狀態(tài)表1.3 開關(guān)狀態(tài)表的設(shè)置開關(guān)狀態(tài)表中的開

測控點(diǎn)FTU的狀態(tài)值和預(yù)先存儲的各區(qū)段發(fā)生故障時(shí)的各個測控點(diǎn)的狀態(tài)值，如果某個區(qū)段發(fā)生故障時(shí)的狀態(tài)值和實(shí)際測量的一致，則判定此區(qū)段故障。開關(guān)函數(shù)設(shè)定是在仿真的時(shí)候，假設(shè)一個故障區(qū)段去確定其他測控點(diǎn)狀態(tài)值的函數(shù)。為了提高運(yùn)算速度，從配電網(wǎng)的末測控點(diǎn)向前推算［6］。圖1 單電源輻射型網(wǎng)絡(luò)圖 1 中的 S 為配電網(wǎng)電源，（1，2，3，4，5，6）表示饋線開關(guān)，也就是所要求的測控點(diǎn)，（a，b，c，d，e，f，g）表示的是配電網(wǎng)的各個區(qū)段?；趫D1，從配電網(wǎng)末端根據(jù)

統(tǒng)參數(shù)1號儲熱狀態(tài)值為0，系統(tǒng)參數(shù)2號儲熱狀態(tài)值為0。（2）開始運(yùn)行圖1 相變儲熱系統(tǒng)電動閥MV 001，MV 004，MV 008打開。圖2 儲熱介質(zhì)溫升曲線當(dāng)汽包壓力值>400 kPa（G）之后，開啟電動調(diào)節(jié)閥MV 005到15%。當(dāng)TE 38>165℃時(shí)開啟電動調(diào)節(jié)閥MV 007到15%，電動門MV 009。TE 38TE 38>170℃時(shí)，電動調(diào)節(jié)閥MV 005和MV 007的開度為25%；TE 38當(dāng)TE 1～TE 6的信號值中有5個信號值升至1

合規(guī)則更新本地狀態(tài)值，本地狀態(tài)值更新后即表示完成一次數(shù)據(jù)融合過程[8-12]。整個網(wǎng)絡(luò)各節(jié)點(diǎn)將重復(fù)以上信息交互與數(shù)據(jù)融合過程，直到所有節(jié)點(diǎn)狀態(tài)值達(dá)到收斂狀態(tài)。由此可知，CSS實(shí)質(zhì)是多個SU一起確定頻譜資源的使用情況，通過融合不同SU的感知數(shù)據(jù)來提高頻譜感知的準(zhǔn)確性和可靠性。但CSS的協(xié)同特性在獲得較高感知技術(shù)收益的同時(shí)，也可能帶來更多風(fēng)險(xiǎn)。例如CSS網(wǎng)絡(luò)中存在多種潛在的安全威脅，其中最為常見的有模仿主用戶 （incumbent emulation，IE）攻

充程序”功能的狀態(tài)值由“等待”到“功能已完成”，狀態(tài)值為OK，如圖 6 所示。圖6 功能已完成14.右前選項(xiàng)完成后，可以再點(diǎn)擊第二項(xiàng)“氣動彈簧選擇”，選擇左前、左后或右后的任意一個選項(xiàng)。點(diǎn)擊“啟動”，注意狀態(tài)和值的變化。15.如果需要對空氣彈簧排氣，在特殊功能里面點(diǎn)擊“空氣彈簧排氣”,如圖7所示。圖7 點(diǎn)擊“空氣彈簧排氣”16.點(diǎn)擊“確定”，進(jìn)入界面后，顯示蓄電池電壓、點(diǎn)火及發(fā)動機(jī)轉(zhuǎn)速功能的狀態(tài)和值。17.點(diǎn)擊“下一步”，選擇 “氣動彈簧選擇”，如圖8所示

區(qū)分各次用戶的狀態(tài)值和權(quán)值，避免節(jié)點(diǎn)間數(shù)據(jù)的重復(fù)融合，并提出了一種快速分布式加權(quán)協(xié)作頻譜感知算法。仿真結(jié)果表明，所提算法檢測性能與分布式一致性加權(quán)算法相當(dāng)，同時(shí)收斂速度明顯提升。認(rèn)知無線電；協(xié)作頻譜感知；身份代碼；收斂速度作為一種動態(tài)智能頻譜管理技術(shù)，認(rèn)知無線電(Cognitive Radio，CR)技術(shù)成為解決頻譜資源日益匱乏、頻譜利用低效等問題的關(guān)鍵技術(shù)手段[1-2]，在主用戶(Primary User，PU)不占用其授權(quán)頻段時(shí)，允許次用戶(Secon

好地平衡了評估狀態(tài)值函數(shù)精度和算法執(zhí)行時(shí)間.強(qiáng)化學(xué)習(xí);馬爾科夫決策過程;高斯過程;隨機(jī)投影;時(shí)間差分算法1 引言強(qiáng)化學(xué)習(xí)(Reinforcement Learning,RL)是在未知、動態(tài)環(huán)境中在線求解最優(yōu)策略,以獲取最大期望回報(bào)的一類算法.強(qiáng)化學(xué)習(xí)方法的基本框架為:Agent通過試錯與環(huán)境進(jìn)行交互,將每一步的延遲回報(bào)通過時(shí)間信用分配機(jī)制傳遞給過去動作序列中的某些動作,用值函數(shù)評價(jià)每個狀態(tài)或狀態(tài)動作對的好壞程度,最終通過值函數(shù)確定最優(yōu)策略[1,2].目前強(qiáng)

，提出一種事件狀態(tài)值，它被用于描述事件在各個時(shí)間點(diǎn)的狀態(tài)，以便于用戶分析事件的發(fā)展過程；其次，根據(jù)短文本的結(jié)構(gòu)化信息，將事件狀態(tài)值從文本信息和用戶信息兩個方面考慮；然后，考慮文本信息的影響因子，構(gòu)造相關(guān)公式計(jì)算文本信息權(quán)重；再次，考慮用戶信息的影響因子，提出一種改造的PageRank算法和用戶分層思想，構(gòu)造相關(guān)公式計(jì)算用戶信息權(quán)重；最后，根據(jù)文本信息權(quán)重和用戶信息權(quán)重計(jì)算事件狀態(tài)值。實(shí)驗(yàn)結(jié)果表明依次考慮用戶信息、采用改造的PageRank算法以及采用分層思

計(jì)算電池當(dāng)前的狀態(tài)值；獲取整車歷史能耗值，歷史行駛工況，預(yù)測未來行駛工況，計(jì)算出整車未來能耗預(yù)測值；由整車未來能耗預(yù)測值，電池當(dāng)前的測量值和電池當(dāng)前的狀態(tài)值，通過電池電-熱耦合模型預(yù)測動力電池在整車未來能耗預(yù)測值下的剩余可用能量；以及根據(jù)整車未來能耗預(yù)測值和剩余可用能量，計(jì)算出車輛的續(xù)駛里程。該發(fā)明的電動汽車?yán)m(xù)駛里程估計(jì)方法，通過電池電-熱耦合模型預(yù)測動力電池在未來運(yùn)行工況下的剩余可用能量，通過未來行駛工況預(yù)測，結(jié)合整車能耗模型預(yù)測車輛未來一段時(shí)間的能耗，

MP2車MCM狀態(tài)值為“0”，MP2車顯示高速斷路器斷開，2秒后4個高速斷路器全部斷開，M1和MP1車MCM狀態(tài)值為“24”(保護(hù)屏蔽)，緊急制動瞬間觸發(fā)(非ATP觸發(fā))，此時(shí)手柄處于制動位，車輛速度為0.2km/h，ACM狀態(tài)全部正常，受電弓為升弓狀態(tài)。此階段ED和DR見表1和圖1。(2)事件第二階段:6:17:16秒M1車和MP1車MCM狀態(tài)“28(保護(hù)關(guān)閉過程中)”，M1和MP1車高速斷路器斷開，6:17:18秒4個動車的高速斷路器全部斷開，M2和M

），①各評價(jià)值狀態(tài)值的測量或計(jì)算。②指標(biāo)狀態(tài)值的無量綱化處理，得到評價(jià)值。圖4 測量原始數(shù)據(jù)到評價(jià)值的過程圖評價(jià)指標(biāo)的狀態(tài)值是指各指標(biāo)的測量或檢測數(shù)據(jù)，這些評價(jià)指標(biāo)狀態(tài)值所包含的量綱有MPa、mm等。這些不同的量綱不具備可比性，必須經(jīng)過無量綱化處理。指標(biāo)無量綱化處理的目的就是解決指標(biāo)間量綱不同，不能進(jìn)行合成運(yùn)算的問題。同時(shí)，使得指標(biāo)數(shù)據(jù)的取值區(qū)間統(tǒng)一化，均處于[0，1]中，即為指標(biāo)的評價(jià)值。如強(qiáng)度指標(biāo)的評價(jià)值可按式（1）確定。當(dāng)my≤0.15時(shí)，指標(biāo)狀態(tài)值

車輛逆時(shí)針橫擺狀態(tài)值，如橫擺為順時(shí)針則執(zhí)行抗車輛順時(shí)針橫擺狀態(tài)值，車輪ABS控制采用每隔50 ms中斷1次執(zhí)行，如果有ABS控制則優(yōu)先于應(yīng)急穩(wěn)定性控制，執(zhí)行完ABS控制中斷后返回至應(yīng)急穩(wěn)定性控制.直至車速降至20 km·h-1后，車輛保持原制動狀態(tài)到停車.爆胎應(yīng)急自動制動執(zhí)行模塊如圖3所示，只給出了左后輪爆胎時(shí)控制流程，ifflag=3，而其他輪爆胎的控制流程與左后的基本一致，只需在各狀態(tài)值標(biāo)記上修改成相應(yīng)的爆胎輪標(biāo)記號就可以.圖3中e為實(shí)際橫擺角速度偏差

則控制輸入節(jié)點(diǎn)狀態(tài)值曲線和普通節(jié)點(diǎn)的狀態(tài)值曲線計(jì)算方法如下：控制輸入節(jié)點(diǎn)狀態(tài)值曲線如式 （5）所示普通節(jié)點(diǎn)狀態(tài)值曲線如式 （6）所示當(dāng)控制輸入向量u（t）＝ （u1（t），…up（t））T作用于驅(qū)動節(jié)點(diǎn)矩陣B 時(shí)，普通節(jié)點(diǎn)矩陣A 的狀態(tài)值曲線x（t）最終趨于0，則可以判斷生物系統(tǒng)是可控的，從而能夠?qū)⑸锵到y(tǒng)從非正常狀態(tài)狀態(tài)控制到正常狀態(tài)。2 插件設(shè)計(jì)與實(shí)現(xiàn)Cytoscape軟件致力于為用戶提供一個開源的網(wǎng)絡(luò)顯示和分析平臺，軟件主要提供了網(wǎng)絡(luò)顯示、布局、查詢

別,稱為該點(diǎn)的狀態(tài)值. 氣泡破裂時(shí)的狀態(tài)值稱為臨界狀態(tài)值,其大于各級別的狀態(tài)值. 當(dāng)狀態(tài)值為零時(shí)表示氣泡已破裂狀態(tài). 在下一時(shí)刻,由于水重的增加使得狀態(tài)值增加,超過時(shí)氣泡發(fā)生破裂,并將水重均分給周圍可能存在的氣泡,從而構(gòu)成一個多狀態(tài)的元胞自動機(jī).圖1 蜂房網(wǎng)格(A)和單胞及其對偶網(wǎng)格(B)Fig.1 Honeycomb grid (A) and unit cell and its dual grid (B)1.1 非飽和狀態(tài) 非飽和狀態(tài)是指某點(diǎn)周圍當(dāng)前時(shí)刻

度，并進(jìn)行維度狀態(tài)值算法設(shè)計(jì)與配置。根據(jù)綜合評價(jià)原理，構(gòu)建基于廣義灰色絕對關(guān)聯(lián)度的人力資源戰(zhàn)略決策指標(biāo)體系構(gòu)建整合模型。其結(jié)論為組織獲取全面系統(tǒng)和可靠的人力資源戰(zhàn)略決策依據(jù)，提供可操作的工具，為組織實(shí)現(xiàn)其戰(zhàn)略目標(biāo)提供必要的理論支持。endprint摘要：在設(shè)計(jì)定構(gòu)式清單主觀初選法后，提煉出4個評價(jià)維度，并進(jìn)行維度狀態(tài)值算法設(shè)計(jì)與配置。根據(jù)綜合評價(jià)原理，構(gòu)建基于廣義灰色絕對關(guān)聯(lián)度的人力資源戰(zhàn)略決策指標(biāo)體系構(gòu)建整合模型。其結(jié)論為組織獲取全面系統(tǒng)和可靠的人力資源

信息流）為G，狀態(tài)值為x∈Rn的網(wǎng)絡(luò)（或代數(shù)圖）表示為Gx=(G，x)。2.1.2 一致性協(xié)議假定所考慮的動態(tài)智能體網(wǎng)絡(luò)包含n個智能體。每個智能體被視為有向圖G中的一個節(jié)點(diǎn)。每條邊(vj，vi)∈ξ(G(t))對應(yīng)在時(shí)刻t，智能體i到智能體j之間的可靠信息傳遞。另外，每個智能體只根據(jù)自身和它鄰居智能體的信息改變目前的狀態(tài)值?？紤]單積分器智能體動力學(xué)特性，令其中xi(t)∈R為智能體的信息狀態(tài)值，ui(t)為時(shí)刻t時(shí)的控制輸入（或協(xié)議）。2.2 問題描述多個

矢量的物料工藝狀態(tài)值。此方法解決了工序多時(shí)字符串多的問題，但是不能精確地記錄物料在一道工序加工過程中的狀態(tài)。王萬雷［3］提出16進(jìn)制描述法，用16進(jìn)制中前10位記錄每道工序狀態(tài)，組成工藝狀態(tài)矢量，通過16進(jìn)制計(jì)算某時(shí)刻物料工藝矢量的物料工藝狀態(tài)值。該方法減少了每一個任務(wù)域中可以表達(dá)的工藝狀態(tài)矢量長度，加大了計(jì)算量。雖然這些都是車間制造中物料工藝狀態(tài)的描述方法，但是從物料流動性質(zhì)來看，在一個企業(yè)內(nèi)部各個車間之間流動的物料與在虛擬企業(yè)中各個企業(yè)之間的物料流動本

氏貼近度和健康狀態(tài)值為了反映出被評估變壓器的實(shí)際健康狀態(tài)，結(jié)合評估指標(biāo)權(quán)重，利用歐氏貼近度的改進(jìn)公式:定義HI(HI∈［0，1］)為待評估對象的健康狀態(tài)值．HI 值越大待評估對象的健康程度越高．2．4 變壓器剩余技術(shù)壽命的預(yù)測電力變壓器健康程度與其運(yùn)行時(shí)間的關(guān)系可以表征為［11］由于打樁機(jī)在施工過程中產(chǎn)生較大的噪音，如若施工地點(diǎn)靠近居民區(qū)則會對人們產(chǎn)生較大影響，通常采用消聲技術(shù)進(jìn)行壓制磚的基礎(chǔ)施工。這種施工方法是利用靜壓將樁基打入土壤中，施工質(zhì)量與樁身高度

估計(jì)風(fēng)險(xiǎn)因素的狀態(tài)值和概率，通過組合各種風(fēng)險(xiǎn)因素狀態(tài)值模擬決策情景，按照風(fēng)險(xiǎn)識別、風(fēng)險(xiǎn)估計(jì)、風(fēng)險(xiǎn)評價(jià)的流程構(gòu)建了煤層氣開發(fā)項(xiàng)目風(fēng)險(xiǎn)評估模型，再計(jì)算出各種情景下的效益值及概率，進(jìn)而達(dá)到評價(jià)項(xiàng)目風(fēng)險(xiǎn)的目的?？紤]到傳統(tǒng)以標(biāo)準(zhǔn)差及標(biāo)準(zhǔn)差系數(shù)表征油氣開發(fā)項(xiàng)目風(fēng)險(xiǎn)與實(shí)際投資決策需要不相符，引入了擴(kuò)展半標(biāo)準(zhǔn)差及擴(kuò)展半標(biāo)準(zhǔn)差系數(shù)作為煤層氣開發(fā)項(xiàng)目風(fēng)險(xiǎn)評價(jià)指標(biāo)。應(yīng)用結(jié)果表明，在合理評估風(fēng)險(xiǎn)基礎(chǔ)上計(jì)算得到的期望凈現(xiàn)值較無風(fēng)險(xiǎn)凈現(xiàn)值更接近項(xiàng)目的真實(shí)收益，擴(kuò)展半標(biāo)準(zhǔn)差系數(shù)與標(biāo)準(zhǔn)差

ci在t時(shí)刻的狀態(tài)值，(t)∈［－1，1］，其狀態(tài)值越大表示該概念的狀態(tài)越活躍。節(jié)點(diǎn)間有向連接弧對應(yīng)的權(quán)值wij∈－1，0，{ }1 ，表示概念間關(guān)系增加與減少兩種定性狀態(tài)。模糊認(rèn)知圖［3，4，7］把概念間的三值{－1，0，1}邏輯關(guān)系擴(kuò)展為區(qū)間［－1，1］上的模糊關(guān)系。其概念值為模糊值，也可以為二值，反映該節(jié)點(diǎn)對某概念以某種程度發(fā)生或表示概念狀態(tài)是關(guān)還是開。概念間的因果關(guān)系是模糊關(guān)系，其聯(lián)系強(qiáng)度也為模糊值。概念節(jié)點(diǎn)的輸出與兩種類型水平有關(guān)，即概念節(jié)點(diǎn)自身

提供軸的位置環(huán)狀態(tài)值，對應(yīng)Y、V軸具體狀態(tài)值地址：V39010001.5，V39030001.5，PLC對以上地址的狀態(tài)值無條件地進(jìn)行周期掃描， 狀態(tài)值為“1”時(shí)正常，接通抱閘電源；狀態(tài)值為“0”不正常，斷掉抱閘電源（抱閘機(jī)構(gòu)單元得電松開，失電夾緊）。2.2.2 PLC邏輯電路LD SM0.0LD V39010001.5O V39030001.5ALD= Q1.32.3 外圍控制電路（改進(jìn)前）圖2 外圍控制電路圖（改進(jìn)前）2.3.1 電路圖說明Q1.3：P

轉(zhuǎn)換定義了多個狀態(tài)值和狀態(tài)轉(zhuǎn)換表,通過對狀態(tài)轉(zhuǎn)換的跟蹤,完成整個協(xié)商交換。并使用交換得到的信息生成安全傳輸所需的密鑰種子和各種密鑰,成功建立IKE_SA和CHILD_SA。IPsec;IKEv2;消息協(xié)商IP安全協(xié)議 IPsec協(xié)議族[1]是組建VPN[2]所使用的一種主要協(xié)議,也是IETF為了彌補(bǔ)Internet的安全性缺陷而設(shè)計(jì)的。IPsec是一組開放標(biāo)準(zhǔn)集,協(xié)同工作來確保對等設(shè)備之間的數(shù)據(jù)機(jī)密性、數(shù)據(jù)完整性以及數(shù)據(jù)認(rèn)證。Internet密鑰協(xié)商(IK