本发明公开了一种计算复杂度感知的视频解码宏块级并行调度 方法，包含两项关键技术：一是根据熵解码和重排序之后的宏块信息， 如非零系数个数、宏块帧间预测编码类型、运动矢量等，建立宏块解 码复杂度预测线性模型，对每个模块进行复杂度分析，充分利用已知 的宏块信息，提高并行效率；二是在满足宏块解码依赖的前提下，将 宏块解码复杂度与计算并行相结合，对已获取的宏块复杂度进行排序， ·945·根据排序结果对宏块进行分组并发执行，分组

本发明公开了一种电网发生大功率缺额事故后网内快速备用的 协调优化调度方法。该方法首先以各区域间的可用输电能力和每个子 区域的剩余备用容量最大为优化目标，同时考虑省间断面限额、区域 备用限制等约束条件，求解备用调集总量在各省市的分摊方案；进一 步，根据各类机组的调节性能和控制方式，得到各省市备用调集量在 机组间的分配原则。该方法通过网省两级调度协调控制，实现大功率 缺额事故后省间紧急功率支援的协调优化调度，确保了功率缺失扰动 的快速处理。 

本发明公开了一种基于敏感性分析的梯级水电站调度方案评价方法，在梯级水电站制定出日计划发电调度方案的基础上，通过改变径流大小、改变径流方差对水库入库径流的蒙特卡洛模拟，通过改变负荷大小对电网负荷的蒙特卡洛模拟，模拟径流的不确定性和负荷的不确定性，进而通过常规优化调度模型计算电站运行指标参数，统计分析参数指标敏感性的平均值和方差从而实现对调度方案进行评价的优劣。本发明可用于定量评价发电调度方案是否健壮，是否能应对径流和负荷的不确定性。

导读东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法，以对运动想象(MI)任务进行分类。ESI技术采用边界元法(BEM)和加权最小范数估计(WMNE)分别解决EEG的正向和逆向问题。然后在运动皮层中创建十个scout来选择感兴趣的区域(ROI)。研究者使用Morlet小波方法从scout的时间序列中提取特征。最后，使用CNN对MI任务进行分类。实验结果:在Physionet数据库上的整体平均准确率达到94.5%，分别对左拳头、右拳头、双拳和双脚的单个准确率达到95.3%、93.3%、93.6%、96%，采用十倍交叉验证进行验证。研究人员表示，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者为验证方法的有效性，加入了4个新的受试者进行验证，发现总体平均准确率为92.5%。此外，全局分类器适应单一对象，整体平均准确率提高到94.54%。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。系统框架图1 系统框架图系统框架如图1所示。原始数据来自国际10-10系统的64个电极(不包括Nz、F9、F10、FT9、FT10、A1、A2、TP9、TP10、P9和P10电极)，并以每秒160个样本的速度采集。根据国际10-10系统从64个通道采集原始脑电图，并使用BCI2000系统进行记录。记录的数据被分为四个独立MI任务包括左拳MI,右拳MI,双拳MI和双脚MI。首先，由于ERD在执行运动想象时在alpha和beta中不同，因此使用FIR滤波器对EEG进行了8 Hz至30 Hz的带通滤波。然后，通过计算包含正问题和逆问题的源，将传感器空间的活动转化为源空间的活动。接下来，创建scout并提取特征。研究者在运动皮层中创建了10个scout，因为我们只关心与运动相关的活动。十个scout中的每一个都代表了可用源空间中的一个感兴趣的区域(ROI)，并且是定义在皮层表面或头部体积上的偶极子的子集。左脑的scout称为L1、L2、L3、L4、L5，右脑的scout称为R1、R2、R3、R4、R5。利用JTFA从10个scout的源时间序列中提取特征。最后，利用CNN对时频图进行分离并进行分类。实验在实验中，研究人员仅使用了随机选择的十个受试者的MI trail (S5，S6，S7，S8，S9，S10，S11，S12，S13，S14)。这里用于分析的数据集包含每个受试者84次试验，每一类包含21次试验。在记录64通道脑电图时，受试者执行了不同的运动想象任务。每个受试者针对以下四个任务中的每一个执行了3轮21试验：当目标出现在屏幕左侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕的右侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕顶部时，受试者想象打开和合上双手的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕底部时，目标会想象双脚张开和合拢，直到目标消失。然后受试者放松。为了统一数据维数，研究者选择了4s的数据，因为每次想象任务的执行时间都在4s左右。此外，脑电图任务是分开的，研究人员在实验中将左拳，右拳，双拳和双脚MI任务分别称为T1，T2，T3和T4。图2 scout命名左右运动想象的scout分别命名为L1、L2、L3、L4、L5、R1、R2、R3、R4、R5，如图2所示。10个scout每一个都被扩展到40个顶点，每个顶点只有一个源。L1区域对应40个信号，其他scout也一样。在计算了来源后，研究者在运动皮层中创建了十个scout，如图3所示。图3 创建10个scout使用ESI计算十个受试者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次试验的四个任务(T1、T2、T3、T4)的源。对于这四项任务中的每一项，每个受试者每次都要进行7次测试(#1，#2，#3，#4，#5，#6，#7)。展示了第一个步的10个被试的10个scout的4项任务的来源。然后提取10个scout的时间序列进行进一步分析。特征提取在计算源之后，研究人员在运动皮层中创建了包含40个源的10个scout，并提取了scout的时间序列。如图4所示为提取R5 scout时间序列作为示例。图的右边显示了R5 scout的时间序列。本文利用小波变换从scout时间序列中提取特征。图4 提取R5 scout时间序列作为示例在这项研究中，研究者提出利用CNN来解决运动想象任务分类的问题。该模型基于Schirrmeister等提出的Deep ConvNet架构，该网络模型由一个六层卷积网络组成，其中两个最大池层和三个全连接层，如图5所示。图5对于Physionet数据库，研究者首先采用Deep ConvNet架构，包括四个卷积层、四个最大池层和一个全连接层。在实验中，研究者依据经验使用两个最大池化层。并尝试了不同数量的卷积层和完全连接层。时频图利用Morlet小波方法得到了scout的特征。对于每个任务，R5 scout的时频图如图6所示。包含时间和频率互补的时频分析方法提供了时域和频域的联合分布信息，清晰地描述了信号频率与时间的关系。图6 R5 scout的时频图显然，只有部分时频映射是红色的，表明每个任务只对特定的频率和时间敏感。由于图的数量比较大，研究者使用CNN来选择和学习这些图中最基本的特征。研究人员随机选择了几个样本，并将一些特征图可视化，作为MI任务的学习表示，如图7所示。图7为了获得有效的结果，将数据集分为90％作为训练集，其余10％作为测试集。首先，将十个受试者的数据集（总共19320个样本）分为17388个样本以训练所提出的CNN模型，以及1932个样本以验证模型的有效性。在实验中，研究者还选择了另外四个受试者的数据集以增加数据集的规模(27048个样本)，其中24343个样本是训练集，其他样本是测试集。在选定的scout上对所提出的CNN架构进行了十次训练和测试，以验证所提出模型的鲁棒性。图8(a)显示了10个scout中每个的全局平均精度。图8 统计结果R5的全局平均精度最高，达到94.5%，而L2的全局平均精度最低，为91.3%。对应L1、L3、L4、L5、R1、R2、R3、R4的整体准确率分别为92.4%、92.5%、93.6%、91.9%、93.0%、91.8%、92.1%、92.6%。所有scout的总体精度均在91%以上，标准差均在0.20%以下。图8(b)显示了十个scout中每个scout四个MI任务的组级统计结果及其标准差。一般来说，R5表现的要比其他的好，而L2在迭代2000中表现最差。标准差较小，说明这些精度更接近平均值且稳定。图9 统计结果图9(a)显示了带有标准差的混淆矩阵，说明了group level分类结果。T1、T2、T3和T4的全局平均精度峰值分别为95.3%、93.3%、93.6%和96.0%。R5 scout的四个MI任务中的每一个都如图9(b)所示。通过改变训练集和测试集顺序的10次试验，确定了scoutR5的性能，结果如图10(a)和(b)所示。在10次试验中，scout R5的T1、T2、T3、T4的平均准确率分别为93.3%、93.8%、94.2%、94.1%。换句话说，四个任务中每一个的平均准确率都超过了93%。全局平均准确率为93.7%。10次试验结果表明，该方法对scout R5的分类效果较好。从以上结果可以清楚地看出，R5 scout在四种MI任务的分类中扮演着最重要的角色。因此，选择R5对四个MI任务进行分类。图 10图11. (a)是不同模型的全局平均准确性的比较。可以发现，该研究提出的模型可以达到最大的精度。从图11. (b)不同模型的ROC曲线可以看出提出的模型比其他模型表现更好。©不同模型T1上的精度比较。(d)不同模型T2的精度比较。(e)不同模型T3的精度比较。(f)不同型号T4的精度比较。图11 不同模型的精度比较结论东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法。该方法可以对运动想象(MI)任务进行分类。实验结果表明，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者加入了4个新的受试者进行验证来验证方法的有效性。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。论文信息：A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN

本发明公开了一种计及交直流微网应对灾害事件弹性能力的鲁棒调度方法，包括以下步骤：步骤10）获取不确定性预测参数，构造交直流微网中的不确定性集；步骤20）基于步骤10）构造的不确定性集，线性化可再生能源发电机组的出力约束；步骤30）获取交直流微网中各设备的运行成本系数和运行限值，基于步骤10）和步骤20）建立灾害事件下交直流微网的鲁棒调度模型；步骤40）求解步骤30）建立的鲁棒调度问题：利用嵌套型列约束生成算法迭代求解该鲁棒模型，获得交直流微网在灾害事件发生情况下的鲁棒运行计划。该方法提高交直流微网在应对灾害事件上的弹性能力，为制定特殊天气情况下交直流微网的运行计划提供重要指导。

本发明公开了一种交直流混联微网的随机鲁棒耦合型优化调度方法，包括以下步骤：步骤10）获取交直流混联微网的源荷功率预测数据，构造随机不确定性集；步骤20）建立随机鲁棒耦合型优化调度模型的目标函数；步骤30）建立随机鲁棒耦合型优化调度模型的约束条件；步骤40）求解随机鲁棒耦合型优化调度问题：利用列约束生成算法求解随机鲁棒耦合型优化问题，获得交直流混联微网的随机鲁棒协调运行计划。该方法考虑到传统鲁棒优化调度模型保守性强的缺点，将随机优化和鲁棒优化相结合，在保证系统鲁棒性的基础上能够提高交直流混联微网的运行经济性，为制定交直流混联微网的运行方式提供指导和帮助。

本发明公开了一种面向多核系统的数据流编译优化方法，包括：确定计算任务与处理器核映射的任务划分和构造软件流水线调度；根据所述多核处理器的结构特性和数据流程序在多核处理器上的执行情况做核间缓存(Cache)优化步骤。本发明的方法将数据流并行调度与多核架构的缓存结构相关优化结合起来，充分发挥了多核处理器的高并行性，而且针对多核系统的层次性缓存结构和缓存原理，优化了计算任务对通信缓冲区的访问，进一步提高了目标程序的吞吐率。

本发明公开了一种不相关并行机混合流水车间调度的建模方法， 该建模方法以最小化最大完工时间为目标。针对不相关并行机混合流 水车间调度自身的特点，基于机床位置关系、同一机器两工件先后关 系、同一机器两相邻工件间先后关系、同一加工阶段两工件先后关系、 加工阶段位置关系等 5 种建模思想，提出了多个混合整数线性规划模 型。接着，对所提出模型从建模过程、模型尺寸复杂度、计算复杂度 等方面进行了详细的对比评估。使用CPLEX求解器对HFSP调度实例 进行求解，验证了本文 MILP&

成果聚焦将独立设计的单个水库联合运行，有效控制防洪、供水、发电等风险的累积与叠加，防范变化环境下的“黑天鹅”事件，创建了一整套适应变化环境的梯级水库风险辨识及调控理论与方法体系，解决了变化环境下梯级水库运行调度风险难预报、难评估、难管控三方面的难题：针对水库入库径流预测精度在变化环境下不断衰减的问题，首创了具有物理机制的时变预测理论体系，显著提高了“实时、近期、远期”入库径流的预报精度和预见期长度，为梯级水库风险源管控提供了基石;针对变化环境下梯级水库潜在风险的辨识问题，形成了非一致性条件下的“规划

渡众机器人为满足智能驾驶实训系统演示需求，开发了各种定制化智慧交通模型行驶系统沙盘。模型车辆搭载实车使用的各类传感器，模拟在实际交通场景中车辆自动启停、信号灯自动识别、障碍物识别等智能驾驶行为。自动驾驶实训沙盘构建主要分为智能路侧系统、微缩沙盘系统、基于V2X的自动驾驶三部分内容。车路协同自动驾驶演示沙盘为各高校提供必要的实践环境与研发平台，可完成当前智能网联技术的理论学习和工作实践。