乙烷—丙烷混合裂解模型及产率预计

本文研究了乙烷和丙烷的混合裂解,并与乙烷、丙烷单独裂解进行了比较。解决了微分方程组的刚性问题,提出了混合裂解反应动力学模型。明确了三种选择性的概念,即;真实选择性、迭加选择性和总选择性,从而澄清了国际上对于选择性有正偏差和负偏差的不同观点。为乙烯生产提供了有效利用乙烷和丙烷的分析评价方法。     

陶瓷机械零件的信息统计分析及几点粗浅的看法

对某厂39种陶瓷机械3176种零件进行信息统计及制造信息的分析,提供了零件类别、尺寸、精度、材料、毛坯、热处理等方面的定量性资料,为编码系统的评价修改;零件组的划分,设备改造,企业管理等提供许多重要依据。并借助统计分析及调查的结果,对某厂实施成组技术中若干问题提出我们粗浅的看法。     

试论《红字》“A”的内涵寓意及其双重性

《红字》 (TheScarletLetter)是十九世纪美国著名的浪漫主义小说家纳撒尼尔·霍桑(NatharntalHawthorne)的代表作。作者以象征罪恶和耻辱的红字A (英文Adultery通奸的缩写形式 )为线索 ,通过女主人公海斯特·白兰 (HesterPrynne)的悲惨遭遇 ,不仅深刻揭露了清教殖民统治的黑暗与腐败 ,同时也给我们展示出红字绝妙的内涵寓意及其完美的双重性     

用磨损状态的监控诊断摩擦学问题

本文介绍了用磨损状态的监控诊断摩擦学问题,包括:什么是摩损状态的监控,为什么要应用磨损状态的监控和磨损状态监控的方法。     

超声临界角侧波速度测量方法的研究

声速(SOS)是描述声波在媒质中传播特性的一个基本物理量,通过媒质中声速的测定,可以了解媒质的特性或状态变化.基于临界角侧波原理的超声速度测量方法是声速测量方法中的一种,但现有的临界角侧波测量方法精度较低,适用范围小,在测量声速时易受干扰.为此提出了一种新的基于临界角侧波理论的定量超声速度测量方法,该测量方法引入了一个新的参数———倾斜角补偿时间,该参数通过接收时间的差值求得.通过引入该参数,本方法在实际测量中提高了测量精度.     

苯氨基甲酸甲酯(MPC)的合成研究

对碳酸二甲酯(DMC)和苯胺(AN)反应生成MPC的合成工艺过程和条件进行了研究.对进料方式进行了改进,就体系反应物料配比的大小、反应时间、反应温度等因素和条件对合成MPC的影响进行了详细研究,结果发现以CSX为催化剂,在150℃,n(DMC)∶n(AN)=5∶1的开放体系中反应3 h,MPC的收率可达94.06%,选择性为96.41%.     

辽阳市空气质量分析与评价

为揭示辽阳市现行的空气质量及为以后的管理提供依据,将辽阳市分别按照功能划分为清洁区、工业区、交通区、居民区,每个功能区布置一个监测点位;按季节划分为春、夏、秋、冬四季;按采暖期划分为采暖期、非采暖期,在2009年全年进行24小时监测,并对监测结果进行评价。结果表明:按功能区划分,清洁区、工业区、交通区、居民区空气质量均为轻污染;按季节划分,冬季空气质量为中污染,春、夏、秋三季空气质量为轻污染;按采暖期划分,采暖期空气质量为中污染,非采暖期空气质量为轻污染。     

欲望、死亡和疯癫——试论《欲望号街车》女主角布兰奇·杜波依斯的象征之旅

《欲望号街车》善用象征手法,勾勒女主角布兰奇的悲剧一生。欲望、死亡、疯癫则是建构其悲剧三个主要象征物,它们的交互作用赋予了此剧一种奇妙的张力,而布兰奇的悲剧性则在这种张力中得到了彰显。本文试对布兰奇的象征之旅作一阐析,解构她个人同时也是她代表的没落的美国旧南方贵族的悲剧。     

基于聚苯胺有机半导体发展光电化学体系检测尿素

聚苯胺（PANI）是一种导电性良好、光电转化效率高的p型有机半导体.采用旋涂法制备了聚苯胺/氧化铟锡（PANI/ITO）电极,然后通过静电吸附将脲酶（urease）固定在PANI/ITO表面,形成Urease/PANI/ITO复合电极.利用脲酶分解尿素（urea）产生的氨可以改变PANI膜质子化状态,从而影响其光电性能的原理,发展可特异性检测尿素的光电化学（PEC）方法.该方法对尿素的线性检测范围较宽（10^-3~10^-8mol·L^-1）,特异性、稳定性和可重现性也较好,可用于人体尿液中尿素含量的测定.     

论裂解反应系统热力学和动力学因素的综合作用

通常认为化学反应系统中目的产物的最高产率是由热力学预计的平衡产率决定的。在同一反应条件下,目的产物的实际最高产率不能超过其平衡产率。本文提出了如下的新观点:对于复杂化学反应系统,必需区分两种平衡产率,一是潜平衡产率(PMEY),二是总平衡产率(GEY)。用化学热力学方法计算所得的平衡产率不是前者而是后者,反之,最高产率的热力学限度不是后者而是前者。目的产物的实际最高产率可以超过其总平衡产率,但不能超过其潜平衡产率。本文用改进的松弛法搜索了总平衡产率,用热力学分析法求得了潜平衡产率,用动力学方法计算了目的产物的实际峰值产率。例如,乙烷裂解反应系统于1300°K 进行反应,乙烯的总平衡产率为5.6×10~(-6),潜平衡产率为0.9745,总平衡产率为0.669(摩尔分率),由此说明了作者的新观点。     

基于CNN-BiLSTM的脑电情绪分类模型及验证

情绪在人们的思考、行为和交流方式中起着重要作用。为提高脑电信号的情绪识别准确率,充分利用脑电信号的频率、空间和时间维度上的信息,提出一种基于CNN-BiLSTM(convolutional neural networks-bidrectional long short term memory)的脑电情绪分类神经网络模型。该模型由卷积神经网络和多层特征融合的双向长短时神经网络构成,卷积神经网络用于学习脑电信号的频率和空间特征,双向长短时神经网络则从卷积神经网络的输出中挖掘脑电切片之间的时序信息。借助离散情绪模型的SEED(sjtu emotion eeg dataset)数据集和连续情绪模型的DEAP(database for emotion analysis using physiological signals)数据集来进行情绪分类实验。实验结果表明,在SEED和DEAP两个数据集上,CNN-BiLSTM模型均取得了目前最好的情绪分类性能。此外,该模型的时序信息挖掘模块性能优于单层长短时神经网络,能够学习更多的时序信息。     

差分特征融合改进的动态手势识别分类网络模型

通过卷积神经网络和长短期记忆网络进行多模型结合,实现动态手势识别分类建模,并使用数据增强算法增加数据的多样性,通过差分特征融合改进网络。7种动态手势动作识别分类的实验结果显示,使用数据增强算法增加数据的多样性后,结合模型的识别率最佳可提升286%;通过差分算法改进网络,序列间差分特征融合模型识别率达到8381%,维度差分特征融合模型识别率达到8762%。表明多模型结合可解决单一模型的局限性,处理更加复杂的动态手势分类问题,两种不同形式的差分特征融合改进都可提升动态手势动作的识别率,从而验证了所设计的差分特征融合改进的动态手势识别分类网络模型的有效性和可行性。     

融合情感词典的改进BiLSTM-CNN+Attention情感分类算法

传统机器学习和深度学习模型在处理情感分类任务时会忽略情感特征词的强度,情感语义关系单薄,造成情感分类的精准度不高。本文提出一种融合情感词典的改进型BiLSTM-CNN+Attention情感分类算法。首先,该算法通过融合情感词典优化特征词的权重;其次,利用卷积神经网络(CNN)提取局部特征,利用双向长短时记忆网络(BiLSTM)高效提取上下文语义特征和长距离依赖关系;再结合注意力机制对情感特征加成;最后由Softmax分类器实现文本情感预测。实验结果表明,本文提出的情感分类算法在精确率、召回率和F值上均有较大提升。相较于TextCNN、BiLSTM、LSTM、CNN和随机森林模型,本文方法的F值分别提高2.35%、3.63%、4.36%、2.72%和6.35%。这表明该方法能够充分融合情感特征词的权重,利用上下文语义特征,提高情感分类性能。该方法具有一定的学术价值和应用前景。     

一种基于联合深度学习模型的情感分类方法

针对情感分析问题中长句和短句进行情感分类时不同的建模特点,提出了一种基于联合深度学习模型的情感分类方法。该方法融合长短期记忆模型(LSTM)与卷积神经网络(CNN)对影视评论数据进行情感极性判别,该方法采用LSTM模型对上下文进行建模,通过逐词迭代得到上下文的特征向量,采用CNN模型从词向量序列中自动发现特征,并从局部抽取特征后将局部特征整合成全局特征来提高分类效果。所提出的方法在COAE2016评测的任务2的情感极性分类任务中,其系统准确率获得最好结果。     

基于注意力模型的卷积循环神经网络城市声音识别

环境声音识别（Eenvironment Ssound Rrecognition ,ESR）在基于情景感知和辅助技术等领域发挥着重要作用。卷积神经网络（CNN）和循环神经网络（RNN）作为两种最具代表性的特征提取方法,在语音和音乐信号处理方面都取得显著效果,然而二者都存在一定缺点,CNN无法有效提取时间特征,RNN在提取空间特征上也存在明显劣势。为了有效的提取并利用时间特征和空间特征,提出一种新模型,利用时间分布卷积神经网络（CNN）从梅尔频谱图中提取城市环境声音特征,然后应用双向长短时记忆网络（BiLSTM）从CNN输出中获取时间信息,最后在BRNN的输出序列上实施注意力机制,从而关注到与城市环境声音最相关的特征进而做出分类判断,注意力机制既提高了分类准确性,又增强了模型的可解释性。实验结果表明,在Urbansound8K数据集中,该模型可获得80.2%的分类准确率,这优于以前在同一数据集的报告结果     

基于多角度特征提取的舵机故障诊断方法

针对舵机故障中的抖动问题,提出一种基于多角度特征提取的故障诊断方法.利用短时分析法分帧舵机数据,以获得短时平稳的时间序列;引入能熵比概念提取舵机数据帧内的电流特征,并利用动态时间规整思想提取舵机数据帧内的位置特征,形成多角度特征以增强输入特征的显著性.在此基础上,利用双向长短时记忆网络提高后续舵机故障分类过程的准确性.通过某型舵机抖动实测数据的仿真,并与传统长短时记忆网络的故障诊断结果比较,验证了所提方法的有效性.     

基于Hadoop分布式计算的混合神经网络负荷分类模型

为了对电力物联网背景下的海量负荷数据进行精细化分析,从中提取用电模式,提出一种基于Hadoop分布式并行计算的混合神经网络分类模型。首先,基于时间维度的一维卷积神经网络(1DCNN)搭建“负荷特征提取器”;其次,使用长短期记忆网络(LSTM)搭建“序列分类器”;最后,将该“混合神经网络分类方法”在Hadoop平台上搭建,实现算法的并行化运行,以适用于海量负荷曲线的高效辨识。使用标准时序数据与真实负荷数据测试该方法的分类性能,算例结果表明所提分类方法具有较高的分类精度,经并行化处理后有效提高了负荷数据的处理效率。     

融合笔画特征的命名实体识别方法

汉字是象形文字,其字形特征对于中文命名实体识别有着重要的作用。针对双向长短期记忆模型（bi-directional long short-term memory,BiLSTM）提取部首,命名实体识别准确率不高的问题,提出笔画组成编码器,用于获取汉字的字形特征,并将笔画字形特征向量和预训练的语言表征模型（bidirectional encoder representation from transformers,BERT）输出的字向量进行拼接,将拼接后的向量放入双向长短期记忆模型与条件随机场（conditional random field,CRF）相连的标注模型（BiLSTM-CRF）中进行命名实体识别。实验表明,所提的方法在Resume数据集上命名实体识别准确率有显著提升。相较于用卷积神经网络做编码器提取汉字字形特征,准确率高出0.4%。相较于使用BiLSTM提取的部首特征模型和加入词典的长短期记忆模型(Lattice LSTM)模型其准确率分别提升了4.2%、0.8%。     

基于混合神经网络的中文隐式情感分析

隐式情感分析是情感计算的重要组成部分,尤其是基于深度学习的情感分析近年来成为了研究热点.本文利用卷积神经网络对文本进行特征提取,结合长短期记忆网络(LSTM)结构提取上下文信息,并且在网络中加入注意力机制,构建一种新型混合神经网络模型,实现对文本隐式情感的分析.混合神经网络模型分别从单词级和句子级的层次结构中提取更有意义的句子语义和结构等隐藏特征,通过注意力机制关注情绪贡献率较大的特征.该模型在公开的隐式情感数据集上分类准确率达到了77%.隐式情感分析的研究可以更全面地提高文本情感分析效果,进一步推动文本情感分析在知识嵌入、文本表示学习、用户建模和自然语言等领域的应用.     

基于CNN-LSTM的脑电情感四分类研究

为深入研究脑电信号时空特征之间的关联,解决因手动提取特征导致的脑电情感识别准确率较低问题。将卷积神经网络（Convolutional neural network, CNN）和长短时记忆网络（Long short- term memory, LSTM）相结合,构造出了CNN-LSTM模型。首先,提取了5个频段的5个不同特征：功率谱密度(PSD)、差分熵(DE)、差分不对称(DASM)、理性不对称(RASM)和差分熵差分(DCAU)。其次,将特征输入CNN-LSTM模型,在DEAP数据集中的效价和唤醒两种情感维度上展开四分类实验。最后,将堆栈自编密码器(SAE),卷积稀疏自编码器(CSAE),深度置信网络(DBN)分别与LSTM组合,构造SAE-LSTM,CSAE-LSTM,DBN-LSTM三种混合模型同CNN-LSTM进行分类准确率比较。实验结果表明,DE特征的分类识别效果在五种特征中占最优,β和γ频段上所有特征的识别准确率远高于其他频段,尤其是γ频段。CNN-LSTM模型获得了最高的平均分类准确率92.48%,充分证明了CNN-LSTM模型的有效性。