南海的形成与演变

南海是东亚陆缘最大的边缘海，构造类型多样，油气资源丰富。然而，科学家们对于南海如何发育演化成今天的局面、深部的驱动机制以及影响因素尚存在诸多争议。为解决上述问题，科学家在南海开展了大量的地球物理调查以及三轮五次的国际大洋钻探，取得重要进展。文章综合多年来的研究和认识，对南海的成因归属和发育演化历史进行了总结。在此基础上提出尚存在的三个前沿科学问题，包括南海主-被动陆缘转换的机制、南海陆缘破裂方式、南海存在大量岩浆活动的机制等，希望能通过更多深探测手段和更多的大洋钻探去揭示这些问题，从而服务南海的资源开发和灾害预警。     

多波地震油气储层的自组织神经网络学习与预测

如何充分挖掘出地震数据的有效信息以更有效预测出地震油气储层的分布情况,一直是业内所追求的目标。多波地震数据所包含的纵、横波数据不仅含有大量对油气敏感的特征信息,而且二者对油气响应存在差异,利用好这种差异可有效降低地震反演中的多解性问题。为此,设计了一种基于自组织神经网络的多波地震油气储层分布预测方案。首先,通过聚类分析优选出对油气响应比较敏感的地震属性,然后,对优选优化后的属性进行多波复合运算提取油气特征信息。最后,根据输入样本属性数据集设计自组织神经网络结构,计算神经元与样本的距离确定最佳匹配单元,更新调整网络权值,完成网络训练,得到预测结果。应用结果表明,基于本方案所预测的地震油气藏分布范围与实际情况基本吻合,有效地降低了反演结果的不确定性,从而验证了自组织神经网络应用于地震油气储层预测的有效性和可行性。     

基于深度神经网络的高环境 适应性水声通信系统研究

深度神经网络中的自动编码器(Autoencoder,AE)通过收发端两个神经网络模块进行全局优化,利用端到端的训练方式以提高通信系统的可靠性.然而,现有对AE的研究未针对信道进行特殊设计,尤其对于时变的水声信道的多径效应,难以进行灵活调整,降低了该方法的实用性.本文提出一种提高水声通信系统信道环境适应性的Attention-Autoencoder网络模型,基于Attention网络可以高效地从大量信息中筛选出关键信息的特点,设计了一种针对水声信道的Attention机制,该机制能够增加网络提取水声信道特征的能力,使系统的适应性大大提高.仿真验证和湖试实验结果表明,基于Attention-Autoencoder网络模型的通信系统与基于文献中AE模型和没有引入神经网络的水声通信系统相比,具有更高的信道环境适应性.     

基于回转输运试验的煤散料离散元接触参数修正

为获取精确的刮板输送机离散元模拟结果，基于回转输运试验，通过响应面法对煤料的接触参数进行修正.采用Plackett-Burman试验考察接触参数对受力及堆积角的影响，发现煤-钢静摩擦系数、煤-煤摩擦系数具有显著正效应.根据爬坡试验结果，以受力及堆积角为响应值规划Box-Behnken试验，建立受力、堆积角与显著项间的二次回归多项式，以实测数据为目标值求得最佳参数:煤-钢静摩擦系数为0.401，煤-煤静摩擦系数为0.333，煤-煤滚动摩擦系数为0.041.通过不同输运条件下的回转试验验证了参数的准确性，为刮板输送机的离散元研究提供参考.     

创新驱动发展战略视域下学科建设改革进路 ——从纯粹学术导向走向服务需求导向

长期以来,我国一直以纯粹学术导向开展学科建设.创新驱动发展战略呼唤我国学科建设以服务需求导向进行学科建设,即从认识世界为圭臬的"形而上"转向服务国家及经济社会为圭臬的"行而上".有鉴于此,需要树立服务需求导向的建设理念,完善相关法规政策,并从评价主体、参与方式、评价指标等构建服务需求的学科评价新机制.     

Banach 3-Lie代数上两类映射的稳定性

结合函数方程pf(x+y/p+z)=f(x)+f(y)+pf(z),研究了Banach 3-Lie代数上的同态、导子以及广义导子的广义Hyers-Ulam稳定性(其中p为固定正整数).     

基于码头闸口数据的集卡周转时间短时预测方法

为给车辆调度优化以及集卡预约系统设计提供重要参考,利用所采集的深圳市某港口的码头闸口数据,建立一种基于数据挖掘的集卡周转时间短时预测方法.首先,通过对码头闸口数据进行分析,获取车辆到达时间分布、任务类型、作业方式等集卡作业特征以及集卡在码头内的周转时间;在此基础上,利用循环神经网络并结合训练集数据,建立集卡作业特征与其周转时间之间的映射关系.其次,为减少随机波动对周转时间预测效果的影响,利用小波分解算法对循环神经网络拟合结果的残差进行高频噪声分离,并通过自回归模型拟合过滤后的低频序列.最后,将拟合后的循环神经网络与自回归模型进行结合,建立一种支持集卡周转时间短时预测的组合模型,并利用测试集数据进行有效性验证.结果 表明,相比单一的循环神经网络,该组合模型可以大幅提升预测精度.     

基于相参积累的捷变频雷达系统相位误差估计与稀疏场景重构算法

针对系统相位误差导致的捷变频雷达目标回波信号相参积累性能下降问题, 构建了系统相位误差下捷变频雷达目标回波信号相参积累模型, 并基于目标的距离-速度二维稀疏性建立了最小ℓ₁范数优化模型, 提出一种基于交替方向乘子法的系统相位误差估计与目标场景稀疏重构联合处理算法, 实现了系统相位误差和目标参数的精确估计。仿真结果表明, 在信噪比为20 dB的情况下, 该方法能够精确估计系统相位误差, 其估计误差在2°以内。同时，相比于逆合成孔径雷达相位自聚焦算法, 所提算法重构性能和计算效率均得到改善, 目标重构幅度均方差提高了10 dB, 运算时间减少到1/2。     

基于卷积神经网络的心律失常分类方法

使用一种组合式心拍分割方法，利用带通滤波对原始心电数据进行降噪处理，实现QRS波群定位和心拍截取；设计7层的一维卷积神经网络（convolutional neural network，CNN）模型，对正常搏动（N）、左束支传导阻滞（L）、右束支传导阻滞（R）、室性早搏(V)4类心拍数据自动分类检测，从而完成4类心律失常的分类。以MIT BIH心律失常数据库47条数据进行训练，结果显示，其准确度为9900%，召回率为9908%；与相关文献的研究方法对比，本方法具有较高识别精度，能有效解决人工对心电图识别的误诊、错诊问题。