温县陈家沟太极拳研学旅行发展策略研究

焦作市要充分发挥太极拳特色资源优势,加大顶层设计力度,加强规范化、标准化管理,注重专业人才引进和研学旅游产品的研发,挖掘太极拳的品牌优势,提升研学基地对访客的吸引力,将优势文化资源和学生素质教育深度有机结合,加强部门联动,不断提升太极拳研学旅游的吸引力和育人效果,提高研学基地的市场竞争力,推动太极拳的传承发展。     

蔡斯盐及相关Pt(II)配合物中配位键的量子化学研究

在RHF/Lanl2DZ水平从头算的基础上对蔡斯盐及相关Pt(II)配合物PtCl3(X2Y4)-(X=C,Si;Y=H,F)的成键特征进行了细致的分析.用能级位移算符逐步剔除分子片空轨道能级的方法代替分子片轨道冻结,使KSM能量分解的耦合项得以消除.能量分析结果表明,PtCl-3与C2H4成键是由σ供键,σ反馈键与π反馈键组成的,σ供键占主要地位,σ供键与π反馈键的强度比是2.14,σ反馈键的强度大约是π反馈键的一半.PtCl-3与C2F4成键是由σ供键与π反馈键组成的,π反馈键占主要地位,σ供键与π反馈键的强度比是0.80.PtCl-3与Si2H4成键是由σ供键与π反馈键组成的,σ供键与π反馈键的强度比是3.39,σ供键占绝对主要地位.     

基于特征迁移和深度学习的配电网故障定位

故障诊断对电力系统的稳定运行至关重要。当配电网的拓扑结构发生较大变化时,难以获取大量带有标签的暂态数据,导致传统的故障预测模型精度难以提高。针对此问题,提出一种将特征迁移和深度学习相结合的配电网故障诊断新方法。首先,采集配电网不同线路的零序电流构造故障特征集;其次,引入加权半监督迁移成分分析方法(semi supervised migration component analysis,SSTCA),利用混合核函数将不同拓扑结构下的特征样本映射到同一特征空间中,缩小数据间的分布差异性;最后,将映射后的源域样本输入到卷积神经网络中进行分类训练,并测试映射后的目标域样本。通过Simulink仿真表明,在改变配电网拓扑结构的新场景下,文中所提的特征迁移方法与其它方法相比,对目标域故障定位精度最高且达到98%以上。     

基于迁移学习的卷积神经网络电网故障诊断

电网拓扑结构复杂、分支众多、潮流分布不平衡、故障样本较少且难以获取。为提高配电网的故障诊断准确性,本文提出将迁移学习的思想与卷积神经网络（Convolutional Neural Networks,CNN）相结合,以此来解决目标域样本不足导致训练效果差的问题,同时利用主成分分析（principal component analysis,PCA）对时序数据进行降维,提升运行速率,形成配电网故障诊断方法。首先对PCA和CNN的结构特点进行分析;然后通过仿真模拟不同的故障条件,生成面向CNN的时序数据。再通过最大均值差异法（MMD）选择出最适合迁移的源域数据,建立源域故障识别的预训练模型。最后使用目标域数据,在预训练模型的基础上进行迁移微调训练,得到故障诊断模型。仿真结果表明,该方法能够在小样本的情况下迅速完成对故障类型的精准预测。     

正庚烷在O2/CO2环境中的着火特性

为准确预测正庚烷(n-C_7H_(16))在O_2/CO_2环境中的着火延迟,提出了Chalmers 1(C1)化学动力学机理。该机理包含32个组分和96个反应,考虑了CO_2对正庚烷着火延迟的影响,计算了不同CO_2体积分数条件下的着火延迟时间。建立了定容燃烧弹(constant volume combustion chamber, CVCC)可视化试验平台在5个工况下对机理进行了验证,对CO_2的热效应、第三体效应和各基元反应对着火的敏感性进行了分析。结果表明:该机理能够预测正庚烷在不同体积分数比的O_2/CO_2环境中的着火延迟时间,与试验数据相比,最大误差6.5%,最小误差1.4%。CO_2的第三体效应导致着火延迟在工况1(65%O_2/35%CO_2)中缩短了6%,在工况5(30%O_2/70%CO_2)中缩短了27.3%。     

封装DCG全息光学元件在不同温湿度条件下的 波长特性研究

DCG全息图通常采用环氧树脂胶密封来实现与环境中水分的隔离。在不同的温湿度条件下对封装后的DCG全息图波长特性做了一系列实验。实验表明:1高湿度环境不会对封装DCG全息图造成影响;2低于50℃的温度环境不会对全息图造成影响;3封装DCG全息图在70~85℃的温度环境下会发生峰值波长蓝移,蓝移速率与环境温度成正比;4环境温度高于100℃会对封装DCG全息图造成破坏,使得全息图颜色不均匀,甚至消像或者变性。对实验结果进行了讨论和分析,并根据实验结果和工艺经验提出提高全息图波长稳定性的措施:在适当的温度下对封装后的全息图进行烘烤。     

基于动态重加密的云计算存储平台权限撤销优化机制

针对云存储服务中用户访问权限撤销计算与带宽代价过大、复杂度过高等问题。以密文策略的属性加密体制(CP-ABE)的密文访问控制方案作为理论背景,设计出一种基于动态重加密的云存储权限撤销优化机制,即DR-PRO。该机制利用(k,n)门限方案,将数据信息划分成若干块,动态地选取某一数据信息块实现重加密,依次通过数据划分、重构、传输、提取以及权限撤销等子算法完成用户访问权限撤销实现过程。通过理论分析与模拟实验评估表明,在保证云存储服务用户数据高安全性的前提下,DR-PRO机制有效降低了用户访问权限撤销的计算与带宽代价,其性能效率得到了进一步优化与提高。     

基于灰色模型与LSTM网络的旋转机械轴承寿命预测

大型机械设备中旋转机械占到总量的80%, 为及时掌握其工作状态, 开展如何旋转机械轴承的寿命预测精度的仿真研究。首先, 通过可靠性数值(confidential value, CV)量化评估工作状态; 然后, 利用数据变换和累加积分的方法优化数据平滑性与背景值来改进灰色模型; 并与长短时记忆网络结合为新预测模型来预测系统工作状态; 最后, 将平均绝对百分比误差等3种性能指标与单一模型对比, 将预测失效时刻与全卷积层神经网络算法和无迹粒子滤波算法对比。结果表明, 组合模型预测退化趋势3种指标的平均值优于3种单一模型; 组合模型预测的失效时刻相比于另外两种改进算法更准确。     

AdaBoost-PSO-LSTM网络实时预测机动轨迹

针对自主空战中轨迹预测难以同时保持高预测精度和短预测时间的问题, 提出一种自适应增强的粒子群优化长短期记忆网络预测方法。首先,建立三自由度无人机动力学模型, 解决机动轨迹的数据来源问题。其次,分析长短期记忆网络, 并引入在线预测的滑动模块输入矩阵, 利用粒子群优化算法代替传统基于时间的反向传播算法进行网络内部权值更新; 同时为解决优化算法非定向性问题, 提出数据共享方法。然后,为进一步提高预测精度, 采用自适应增强算法搭建外框架, 通过控制弱预测器的数量平衡预测精度与预测时间。最后, 在一段变化较为频繁的轨迹进行预测, 与5种神经网络预测方法进行比较, 结果表明所提方法能够较好地满足精度和时间要求。     

析蜡不可逆性对低渗高凝油流动性及水驱效果的影响

高凝油析蜡具有不可逆性,对注水开发及油藏后期进一步提高采收率造成影响。系统对比降温和升温模式下高凝油析蜡-溶蜡行为、黏度、流变性、油相渗流能力及水驱效果。结果表明：某高凝油溶蜡点为71.5℃,明显高于其析蜡点的62.3℃,存在不可逆性;温度高于溶蜡点时,降温和升温模式中原油黏度值基本相同,水驱采收率相当;温度介于溶蜡点和析蜡点时,降温模式中原油未析蜡,黏度小,为牛顿流体,无渗流启动压力,水驱采收率较高(超过60%);升温模式中蜡晶未完全溶解,黏度高,为非牛顿流体,存在启动压力,水驱采收率明显降低(小于50%),不可逆性影响显著;对于已受冷伤害的高凝油油藏,注热小幅度提高油藏温度是不够的,必须达到溶蜡点以上,否则水驱效果会明显变差。