电缆槽对电缆间串扰的影响研究

电缆在使用时一般会铺设在电缆槽中,而电缆槽对铺设其中电缆之间的串扰会形成影响.针对电缆槽中电缆之间的串扰问题,提出一种结合多端口网络理论及分块级联思想的建模方法,使用基于波导格林函数的矩量法来提取电缆槽中电缆间的分布参数,并用虚拟节点理论将提取的分布参数矩阵转化为模型中的传输函数.通过与商业电磁仿真软件的仿真结果进行对比,验证了本文的模型及算法在分析电缆槽中电缆间的串扰问题时具有较好的精确度,最后运用此方法分析了电缆处于电缆槽中不同位置时的线间串扰大小,并结合铁路现场的实际情况对电缆槽中电缆的布线方式提出了建议.     

弹簧压并状态下悬架减振器绕流涡旋特性分析

为研究汽车行驶过程中减振器弹簧压并状态下翼子板内流场特性的变化,将该状态下的减振器简化为三维变截面圆柱模型,并建立变截面圆柱绕流三维流场模型,利用Transition SST四方程转捩模型模拟低、中、高3种车速对大、小圆柱绕流涡旋特性的影响.结果表明:绕流后尾涡的大小、形态、上升角均受圆柱直径、雷诺数及边界条件的影响,在变截面处验证“下洗”运动对N区边缘涡生长的直接作用及对L区涡旋分布的干扰作用;3种流速下适合绕流涡旋振动压电能量回收的最优夹角分别为±10°,±15°,±20°;在有界的高雷诺数流场下对变截面圆柱绕流涡旋重新分区,发现新的涡旋连接方式.     

基于深度学习的Stack Overflow问题帖分类方法

针对基于正则表达式和传统机器学习的分类方法分别存在模式手工提取困难和性能瓶颈的问题, 提出一种基于深度学习的问题帖分类方法, 采用深度文本挖掘模型TextCNN和融合注意力机制的TextRNN构建分类模型. 实验结果表明, 基于深度学习的方法在多数问题目的类别上的分类性能优于已有基准方法, 且使用的Adam优化器优于SGD优化器, 使用Glove预训练的词向量优于使用随机生成的词向量. 该方法以提问目的对帖子进行分类, 可为分析Stack Overflow(SO)上的帖子讨论主题增加新维度.     

不同空间插值方法对某灌区地下水氮浓度分析结果的影响

为了验证并推荐合理、可靠的地下水氮浓度数据空间插值方法,本文基于ArcGIS的地统计向导中的各种空间插值方法对中国东北某灌区地下水三氮浓度数据进行空间插值,分析不同插值方法在地下水氮浓度分析中的可行性和优、缺点.结果显示当地下水氮浓度测量数据较好地符合正态分布规律时,各种空间插值方法的预测精度均较高;当数据空间变异性较大、不够符合正态分布规律时,经验贝叶斯克里金法可以得到精度更高的插值结果.     

基于改进主观贝叶斯方法识别电熔镁炉异常工况

电熔镁炉熔炼过程信息包含大量的不确定性，基于大数据分析的方法难以应用.为准确识别电熔镁炉熔炼过程的异常工况，提出一种基于改进的主观贝叶斯在线规则推理方法.传统的主观贝叶斯方法参数赋值范围过大，针对这一问题，使用映射函数将参数赋值范围缩小到有限区间，以提高方法的实用性.在规则推理时，使用模糊隶属度函数对观察和证据进行模糊匹配，以提高工况识别的鲁棒性和准确率.仿真分析表明该方法可以有效描述规则中的不确定性信息，准确识别电熔镁炉熔炼过程的异常工况.     

基于MD-LBP关联方向特征的铁路隧道漏缆卡扣检测算法

全路段跟车拍摄隧道漏缆卡扣图像再进行逐张排查,是实现卡扣故障检测的重要手段.针对目前LBP、CS-LBP等相关变体算法存在描述子质量不佳、特征维度过高的问题,提出MD-LBP关联方向特征提取算法实现故障卡扣的检测工作.该算法首先对输入图像进行高斯滤波预处理,根据图像的全局灰度均值得到图像的自适应阈值;其次计算图像的三层MD-LBP特征图结构,依次经过两次下采样分别得到Cell主方向特征和Block主方向特征;然后再在Block特征图上提取关联方向特征,并以此作为描述子;最后通过SVM区分故障卡扣,完成检测工作.实验还对比了LBP、H OG等9种特征描述子的检测情况,结果表明该算法不仅特征维度低,并且检测故障卡扣的召回率和精准度都达到了85％.     

数字化转型提升通用航空企业竞争力的机理研究 ——基于21家企业的扎根分析

通用航空产业是我国的新兴产业,尚未形成较大的规模和市场,是数字化转型发展的重点产业.运用因子分析法对21家通用航空上市企业竞争力进行了评价,结果表明其竞争力水平不强.运用扎根分析法研究了其中10家竞争力较强企业的数字化转型形式,得到4种类型:数字化生产、数字化研发平台、产品智能化、产业智能化;以4种数字化转型的先进企业为代表分别归纳出通航企业竞争力的影响机理,并以未实施数字化转型的企业进行了反证,提出了数字化转型发展提升通用航空企业竞争力的路径.     

一种基于类不平衡学习的情感分析方法

针对网络评论中普遍存在的负面评论较少而影响力却较大的类不平衡问题, 提出一种基于类不平衡学习的情感分析方法. 该方法利用深度学习训练过程中的概率输出, 以计算样例的信息熵作为影响因子构建交叉信息熵损失函数. 在IMDB公开数据集上进行实验验证的结果表明, 基于集成信息熵损失函数的双向长短期记忆网络能处理类不平衡问题; 对数据的统计分析结果表明, 该策略能提升基于双向长短期记忆网络的评论情感极性分类性能. 针对AUC(area under curve)指标, 使用集成信息熵损失函数的双向长短期记忆网络模型比未考虑类不平衡的深度学习模型在中位数上最多提升15.3%.