基于CNN的计算机生成图像识别方法

针对计算机生成图像(Computer Generated images, CG)与真实照片(Photograpgh, PG)识别率不高的问题,该文提出了一种改进的卷积神经网络方法来实现CG与PG的识别.该方法首先对识别问题进行卷积神经网络二分类建模,并选择VGG-19网络结构作为基础,建立不同的模型.该方法创新性地引入迁移学习,节省训练时间和大量计算资源,最后使用softmax分类器进行分类.实验结果表明,该文方法对PG图像的识别准确率达到92%.与其他方法比较,该文方法识别准确率最高,说明该文方法具有可行性与有效性.     

材料力学课程中内力求解的改进设正法及其教学实践

设正法是材料力学课程中求解内力的常用方法,传统设正法有值得商榷之处.研究提出了一种改进的设正法,并通过算例对其应用过程进行了介绍,同时分析了应用该方法教学时应注意的问题.教学实践表明,用改进设正法求解内力,可以有效降低出错率,提高学生内力分析的能力,增加学习材料力学课程的自信,可对后续相关课程的学习产生正迁移效应.在日常教学中,教师应对学生是否能真正灵活地应用该方法进行必要的监控.     

基于V2G的电动汽车有序充放电控制策略

大规模电动汽车作为移动存储的电力负荷,其无序充电行为将会导致电网出现负荷峰谷差加大、负荷率降低等问题。文中分别从电网侧和用户侧的角度,研究基于车网互动(V2G,vehicle to grid)的电动汽车有序充放电控制策略。在电网侧以负荷曲线均方差最小为目标函数,在用户侧以电动汽车用户参与V2G获得的经济收益最大化为目标函数,并且考虑到电动汽车实际充放电功率、可用容量及用户日常设置等约束条件,采用粒子群优化算法进行仿真求解。分别以重庆2020年、2025年和2030年电动汽车有序充放电为例,对电动汽车在电网侧和用户侧的有序充放电进行优化控制仿真分析。算例结果表明,所提出的电网侧和用户侧电动汽车有序充放电优化控制模型能有效降低负荷峰谷差、平滑负荷曲线并为参与V2G服务的用户带来经济收益。     

基于核酸适配体的荧光分析法定量检测MUC1粘蛋白

MUC1粘蛋白是一种高糖化、高分子量的糖蛋白,其在乳腺癌细胞中高度异常表达,其特异性高于组织多肽抗原,敏感性高于癌胚抗原,因此MUC1在乳腺癌诊断中具有很高的临床应用价值,而建立高灵敏的MUC1蛋白定量检测方法对临床诊断具有重要的意义.该研究建立了基于核酸适配体-滚环扩增（RCA）和氧化石墨烯-荧光共振能量转移（GO-FRET）技术的MUC1黏蛋白定量检测技术,实现了MUC1粘蛋白准确、灵敏的定量检测.结果表明,该方法定量检测线性范围为50~1 000 pg/mL,检测限为28.05 pg/mL,定量限为45.57 pg/mL,在人血样品中的回收率为96%~104%.     

考虑固结效应的高填方夯实地基桩侧负摩阻力计算方法

依托在高填方夯实地基上进行的桩侧负摩阻力现场试验,根据负摩阻力测试结果,提出考虑固结效应的高填方夯实地基桩侧负摩阻力计算方法。该方法对高填方地基强夯加固区与非加固区分段进行侧摩阻力计算,采用太沙基一维固结理论计算桩侧土沉降,反映固结效应对桩侧摩阻力的影响,利用土-混凝土界面直接剪切试验得到桩土荷载传递函数,反映桩土相对位移对侧阻力发挥程度的影响,采用有限差分法求得计算公式的数值解,并将计算结果与现场试验结果对比分析。结果表明,采用文中推导的公式计算的桩侧负摩阻力沿深度的变化趋势与现场试验测试结果一致,现场实测桩侧负摩阻力值约是理论计算值的1/2,工程应用时可将理论计算的桩侧负摩阻力值乘以0.5的折减系数。     

涡节型、酒窝型强化管管内沸腾传热特性实验

以微型Capstone C30燃气轮机排放的烟气余热为热源,研究涡节结构强化管、酒窝结构强化管和光管管内沸腾换热特性。实验结果表明：涡节型结构强化传热管管内沸腾换热系数约为光管的1.6~2.1倍,管外对流传热系数约为光管的1.3~1.5倍,总传热系数约为光管的1.4~1.5倍;酒窝型强化传热管管内沸腾换热系数约为光管的2.1~2.5倍,管外对流传热系数约为光管的1.8~2.0倍,总传热系数约为光管的1.9~2.1倍。分析了涡节型强化传热管和酒窝型强化传热管较光管传热性能好的原因。     

一种Femtocell网络中的负载预测方法

在未来的5G移动通信系统中,Femtocell等小功率基站将承担起海量的数据通信业务。通过对Femtocell做出负载预测,进而完成小基站的休眠策略和对流量的管控等,但现有的研究中未出现此类探索方向。为了进一步实现移动通信系统的绿色通信和预知其对未来负载的发展态势,在Femtocell下提出了一种基于混沌特性和改进径向基函数(radial basis function,RBF)神经网络的预测方案。采用了C-C(Catmall-Clark)算法和G-P(Grassberger-Procaccia)算法计算时间序列的延迟时间和维度,BF进行优化、学习和预测。通过对比仿真实验的结果表明,该方案预测效果较好,可以应用到实际的预测工作中。     

深度神经网络内部迁移的信息几何度量分析

使用深度神经网络处理计算机视觉问题时,在新任务数据量较少情况下,往往会采用已在大数据集上训练好的模型权值作为新任务的初始权值进行训练,这种训练方式最终得到的模型泛化能力更好.对此现象,传统解释大多只是基于直觉分析而缺少合理的数学推导.本文将深度神经网络这种网络结构不变下层间的学习转为深度神经网络内部的迁移能力,并将学习过程变化形式化到数学表达式.考虑数据集对训练过程带来的影响,利用信息几何分析方法,确定不同数据集流形之上的度量和联络,实现不同数据集之间的嵌入映射,同时将参数空间的变化也放入流形空间,探究其对学习过程的共同影响,最终实现对这种内部迁移现象的数学解释.经过分析和实验验证可得内部迁移过程其实是一种能使网络可以在更广空间进行最优搜索的变化,有利于模型可以在学习过程中获得相对的更优解.     

基于区域时变聚类采样机制的物联网 大数据传输算法

为解决传统物联网大数据传输算法存在的网络链路抖动频繁、传输能力受限以及传输误码率大的不足,提出了一种基于区域时变聚类采样机制的物联网大数据传输算法。首先,根据物联网信号发射中常用的LTE-5G信号特性,采取分信道传输及抽样过滤技术来实现数据传输过程中的正交化,消除节点间因信号频率相似而导致的干涉现象,提高网络数据传输效率;随后,几何聚类机制与能量-阈值映射裁决方法,构建了稳定聚类采样方法,利用功率最佳及能量最佳的方式来实现传输节点的筛选,强化传输链路的稳定性能,降低因链路抖动而导致误码的风险。仿真实验结果表明:与常见的超高斯频率漂移传输提升机制(Transmission Mechanism of Super Gauss Frequency Drift Transmission, SGFD-T机制)及拉普拉斯信道滤波传输机制Laplasse Channel Filtering Transmission Mechanism,LCF-T机制)相比,所提算法具有更大的上传带宽和更低的数据采集错误率与误码率。     

多光学间隔层结构的聚合物太阳能电池

为提高聚合物太阳能电池中有源层的光吸收,提出了一种新型结构的器件———具有多光学间隔层结构的 聚合物太阳能电池,该结构通过调节多光学间隔层折射率的分布方式,调节有源层内光电场的分布,使有源层 对入射光得到充分吸收,进而优化器件性能。采用传输矩阵法对这种多光学间隔层聚合物太阳能电池进行了 光学模拟,探索了多光学间隔层折射率的分布方式对倒置结构聚合物太阳能电池器件有源层光电场的分布和 短路电流密度( Jsc) 的影响。模拟选取的多光学间隔层是通过在ITO( Indium Tin Oxide) 玻璃衬底上依次旋涂未 掺杂ZnO 和掺杂浓度分别为0． 002 5 mol /L,0． 005 mol /L,0． 01 mol /L 的铯掺杂氧化锌( CZO: Cs doped Zinc Oxide) 薄膜制备而成的。模拟结果显示,采用从上到下铯掺杂浓度依次增加的多光学间隔层结构能有效提高 器件有源层对入射光的光吸收和短路电流密度。