2019年度赛迪数字孪生白皮书信息，数字乱上正在成为全球信息技术发展的新焦点，跨国企业业务布局的新方向，主要国家数字化转型的新抓手

数字挛生体是现有或将有的物理实体对象的数字模型，通过实测、仿真和数据分析来感知、诊断、预测物理实体对象的状态，通过优化和指令来调控物理实体对象的行为，通过数字模型间的相互学习来进化自身，同时改变利益相关方在物理实体对象生命周期内的决策。

2021年数字孪生电网白皮书.pdf

传统的图像融合算法多有计算复杂程度高、不能有效提取图像纹理等不足，为了弥补以上传统算法，提出了一种基于孪生卷积神经网络（Siamese Convolutional Neural Network，Siamese CNN）的图像融合方法.首先，用孪生卷积神经网络生成一个权重图，该权重图包含了来自两个待融合图像的全部像素信息.然后，用图像金字塔对像素以多尺度的方式进行融合，并且采用了局部相似性策略自适应调整分解系数的融合模式.最后，和现存的几种图像融合的方法进行了对比.实验证明，该方法有较好的融合效果，具有一定的可实用性.

在NLP中孪生网络基本是用来计算句子间的语义相似度的。其结构如下在计算句子语义相似度的时候，都是以句子对的形式输入到网络中，孪生网络就是定义两个网络结构分别来表征句子对中的句子，然后通过曼哈顿距离，欧式距离，余弦相似度等来度量两个句子之间的空间相似度。孪生网络又可以分为孪生网络和伪孪生网络，这两者的定义：孪生网络：两个网络结构相同且共享参数，当两个句子来自统一领域且在结构上有很大的相似度时选择该模型；伪孪生网络：两个网络结构相同但不共享参数，或者两个网络结构不同，当两个句子结构上不同，或者来自不同的领域，或者时句子和图片之间的相似度计算时选择该模型；另外孪生网络的损失函数一般选择Contras

匹配问题是是很多计算机视觉应用问题的基础。我考虑到图像会发生大规模的形貌尺度等变化，所以直接训练了一个CNN模型进行参数拟合。特别的，我研究了很多的神经网络框架，主要探索了那些网络结构更胜任图像匹配问题。同时，我也进行了大量的数据测试，结果证明，采用孪生网络进行图像匹配具有非常大的优势。 图1.缩略图。我的目标在于学习一个通用的相似性测度函数，并应用于图像匹配中。为了编码这样一个函数，我大量探索了卷积神经网络结构。为了研究不同网络结构的速度与时间的考量，我研究了当下最普遍的双通道卷积网络、孪生卷积网络、伪孪生网络。图2.我研究的三

数字孪生应用白皮书（2020版），本白皮书力求以较为浅显易懂的方式对数字孪生 相关定义、特征进行阐述，并针对当前数字孪生的技术热点、应用领域、产业情况和标准化工作进展进行了分析。白皮书涵盖了 6 个领域共计 31个数字孪生应用案例。 本白皮书通过梳理数字孪生技术和产业应用发展情况，分析数字孪生技术热点、行业动态和未来趋势，提出相关的标准化工作需求，希望可以作为数字孪生技术领域、产业发展和标准化之间的初始连接纽带，加快推动数字孪生发展应用。

2021电网研究报告：数字孪生及其在电力系统的应用.pdf

《能源电力系统数字孪生》主要探讨内容：什么是数字孪生？有什么应用价值？数字孪生变电站和应用平台该如何搭建？详细内容请参见文档： 20210电力系统深度研究报告：能源电力系统数字孪生.pdf

27_稠油数字孪生系统解决方案.pdf