为了给数控机床故障的精准诊断提供保障，延长数控机床使用周期，以数控机床历史维修记录为研究对象，对数控机床设备故障领域的命名实体识别进行了研究。在分析历史维修记录中的故障描述特点后，提出了一种基于双向长短期记忆网络（Bidirectional long short-term memory, BLSTM）与具有回路的条件随机场（Conditional random field with loop, L-CRF）相结合的命名实体识别方法。首先，对输入语句进行分词和标注，使用Word2vec中的Skip-gram模型对标注语料进行预训练，将其生成的字向量通过词嵌入层转化为字向量序列；然后，将字向量序列输入BLSTM学习长期依赖信息；最后将句子表达输入L-CRF获取全局最优序列。实验结果表明，该方法明显优于其他命名实体识别方法，为数控机床设备的智能检修与实时诊断任务打下了坚实的基础

教学目标及要求：理解决策活动与计划的普遍存在，决策与计划贯穿组织、控制、领导等各项管理职能之中，在管理中处于极其重要的地位。 教学内容：本章主要介绍决策的原则、过程和方法。让学生了解计划是管理的基本职能之一，计划与决策的区别和联系，计划的作用，计划的类型，计划的工作步骤，计划的方法，目标的定义及分类，目标的作用，设计良好目标的特征，目标管理的产生及发展，目标管理的过程及其优缺点。 教学重点与难点：决策的原则是满意原则而不是最优原则：程序化决策与非程序化决策：集体决策与个人决策优缺点；决策的定量方法：目标管理法

矿用车辆无人驾驶是实现矿山无人化开采的关键技术, 而路径跟踪控制是无人驾驶系统的核心技术之一.路径跟踪控制系统是多变量、多约束系统, 采用传统方法在多约束条件下存在执行器饱和等问题.针对上述问题, 本文引入模型预测控制方法, 通过考虑车辆的姿态与位置之间的关系, 以跟踪路径的横向偏差最小化和车辆的航向角偏差最小化为目标对预测控制的目标函数进行优化, 以获得车辆速度和铰接角度的最优控制量, 实现对多变量、多约束系统的求解.针对模型预测控制算法不能提前判断道路曲率突变而导致跟踪超调的问题, 提出基于预瞄距离的控制方法, 通过提前判断道路突变信息, 提高车辆路径跟踪精确性和稳定性.使用Matlab/Adams仿真软件进行对比仿真试验, 结果表明: 使用模型预测跟踪控制器能够解决多变量、多约束系统控制问题, 有效防止执行器饱和; 而使用基于预瞄距离的模型预测跟踪控制器能够使车辆的横向位置偏差保持在±0.04 m, 航向角偏差保持在±1.8°范围内, 相较于改进前的控制器, 其横向位置偏差减少了80.9%, 航向角偏差减少了59.1%, 证明改进后的控制器具有更好的横向稳定性和精确性

前已指出,对于状态完全能控的线性定常系统,可以通过线性状态反馈任意配置闭 系统的极点。事实上,不仅是极点配置,而且系统镇定、解耦控制、线性二次型最优控制 (LQ)问题等,也都可由状态反馈实现。然而,在4.2节介绍极点配置方法时,曾假设所有 的状态变量均可有效地用于反馈。但在实际情况中,并非所有的状态度变量都可用于反 馈。这时需要估计不可量测的状态变量。需特别强调,应避免将一个状态变量微分产生另 一个状态变量,因为噪声通常比控制信号变化更迅速,所以信号的微分总是减小了信噪 比