1 研究背景与意义轴承作为旋转机械的核心零部件，其运行状态直接决定设备可靠性与生产安全性，在航空航天、智能制造、轨道交通等领域具有不可替代的作用。PHM 轴承数据集记录了轴承全生命周期的振动、温度等监测数据，基于该数据的剩余寿命（Remaining Useful Life, RUL）预测是设备预防性维护的关键技术，核心挑战在于：退化特征复杂性：轴承退化过程呈现非线性、非平稳特性，从正常状态到失效阶

多智能体系统（Multi-Agent System, MAS）在近年来得到了飞速发展，其在机器人技术、交通管理、生物群体模拟等领域展现出巨大的应用潜力。蜂拥控制（Swarming Control）作为多智能体系统的重要研究方向，旨在通过设计合理的控制算法，使一组智能体能够自主地、协调地完成特定的群体任务，例如群体移动、目标包围、编队飞行等。本文将重点探讨蜂拥控制中两种常见的领导者-跟随者（Lead

虽然HMM模型和ANN在连续语音大词汇量语音识别系统优于DTW，但由于DTW算法计算量较少、无需前期的长期训练，也很容易将DTW算法移植到单片机、DSP上实现语音识别且能满足实时性[7]要求，故其在孤立词语音识别系统中仍然得到了广泛的应用。传统的键盘、鼠标等输入设备的存在大大妨碍了系统的小型化[10]，而成熟的语音识别技术可以辅助甚至取代这些设备。如图2-1所示为数字0的训练语音00.wav的信号

随着科技的飞速发展，图像数据的质量和容量持续增长。在图像控制和显示方面，越来越多的产品依赖于图像技术。图像压缩作为一种重要的多媒体服务技术，在各种应用场景中发挥着关键作用。本报告旨在提出一种基于简单编码技术——离散小波变换（DWT）的图像压缩方法，并利用遗传算法对压缩过程进行优化，以期在图像质量和压缩率之间取得更好的平衡。传统的图像压缩技术，诸如离散余弦变换（DCT）和差分脉冲编码调制（DPCM）

多智能体系统(Multi-Agent System, MAS)广泛存在于自然界和人工社会中，例如鸟群的飞行、鱼群的游动、交通流的运行以及机器人集群协同工作等。理解和预测这些系统的集体行为对于许多科学和工程领域至关重要。然而，由于个体智能体之间复杂的相互作用以及系统的高维性，揭示多智能体系统中隐含的交互规律仍然是一个巨大的挑战。传统的建模方法，例如微分方程建模，往往需要预先假设系统结构，且难以处理高

在波动光学领域，塔尔伯特效应（Talbot Effect）作为一种独特的周期性光场自成像现象，自 1836 年由英国科学家亨利・塔尔伯特（Henry Fox Talbot）发现以来，已成为光学成像、微纳制造、光信息处理等领域的核心技术支撑。与传统透镜成像依赖折射 / 反射实现光场会聚不同，塔尔伯特效应通过光的干涉与衍射耦合，使周期性物体（如光栅）在无光学元件辅助的情况下，在特定距离处形成自身的清晰

本文针对存在有界干扰的二阶多智能体系统固定时间一致性问题展开研究，提出一种固定时间协议，确保系统达成固定时间一致性。基于固定时间控制方法设计控制律，使真实速度在固定时间内跟踪虚拟速度，再利用反步设计方法设计虚拟速度，实现系统固定时间一致性。相较于有限时间一致性结果，该方法不受智能体初始状态影响，可保证收敛稳定时间。通过实例仿真，验证了固定时间一致性算法的有效性，为多智能体系统协同控制提供了新的理论

多智能体系统（Multi-Agent System, MAS）由于其在分布式计算、资源共享、鲁棒性和可扩展性等方面的优势，在机器人协同、智能交通、环境监测等领域得到了广泛应用。在多智能体控制中，一个核心问题是如何设计控制策略，使得智能体之间能够协同完成任务。传统的多智能体控制通常采用周期性采样和控制更新的方式，然而这种方法可能会导致不必要的资源浪费，尤其是在系统状态变化缓慢时。

多智能体系统（Multi-Agent System, MAS）作为一个分布式人工智能的研究领域，在诸多复杂问题的解决中展现出强大的优势。通过多个自主智能体的协作与交互，MAS能够有效地处理诸如交通控制、资源分配、智能制造等需要高度并行性和动态适应性的任务。然而，在MAS仿真中，如何保证各个智能体之间事件发生的顺序和逻辑关系，即实现时间同步，成为了一个关键挑战。时间同步的准确性直接影响到仿真结果的可

深度神经网络（DNN）作为现代人工智能的核心技术之一，已经在图像识别、自然语言处理、语音识别等多个领域取得了显著的成就。其中，全连接层（Fully Connected Layer，也称稠密层）是DNN架构中最基础且至关重要的组成部分。它将前一层的所有神经元与当前层的所有神经元进行连接，通过权重和偏置的线性变换以及激活函数的非线性映射，实现特征的提取和变换。本文将深入探讨在多输入多输出（Multip