含粗骨料超高性能混凝土高温性能的研究进展

与高性能混凝土类似,含粗骨料超高性能混凝土(Ultra High Performance Concrete with Coarse Aggregate,UHPC-CA)经历高温后残余力学性能会发生变化,甚至出现高温爆裂行为.为了推进UHPC-CA的实际应用进程,结合现有文献分析了含湿量、纤维、加热速率、骨料、加载应力和混凝土强度等因素对U HPC-CA高温爆裂的影响;分析了高温后U HPC-CA的残余抗压强度、残余劈拉强度和残余断裂能等残余力学性能的变化;分析了U HPC-CA高温性能的改善措施.结果表明:随着含湿量、加热速率、加载应力和混凝土强度的增加,U HPC-CA的高温爆裂程度均呈现加重趋势,加入粗骨料与纤维后可减轻U HPC-CA的高温爆裂;随目标温度的升高,U H PC-C A的残余抗压强度与残余劈拉强度均呈现先增大后减小的趋势,残余断裂能逐渐下降;热水—干热组合养护可避免U HPC-CA的高温爆裂,显著改善其高温性能.     

具有外部干扰的耦合时滞神经网络固定时间二分同步

针对结构平衡图与结构非平衡图的网络拓扑,考虑了一类具有外部干扰的耦合时滞神经网络模型,分别设计了其固定时间同步控制协议.借助固定时间稳定性理论与不等式技巧,获得了耦合网络在固定时间内达到同步的充分性判据,给出了具体的收敛时间上界,并验证了固定时间同步网络的鲁棒性与抗干扰性.为了扩大网络模型的适用性,考虑的神经网络激活函数为非连续的函数,可借助微分包含与集值李导数理论解释非连续微分方程的动力学行为.最后,分别在结构平衡图和非平衡图下对耦合神经网络的固定时间二分同步进行了数值仿真,验证了控制算法的有效性及理论结果的正确性.     

一类中立型Cohen-Grossberg神经网络的概周期解

研究一类具有混合时滞的中立型Cohen-Grossberg神经网络。通过建立线性辅助方程， 得到该神经网络存在唯一的概周期解的新结果，同时也给出此概周期解的存在范围。     

(3+1)维Boussinesq方程的可积性及新相互作用解

借助符号计算软件Maple证明了新的(3+1)维Boussinesq方程具有相容正切可积性,通过选取该方程的相容性条件方程的不同形式的解,得到了新的(3+1)维Boussinesq方程的孤子与其他波的相互作用解,如简单孤子解、孤子与椭圆余弦波作用解和共振孤子解,并给出了孤子与椭圆余弦波作用解和共振孤子解所对应的图形。     

基于最小二乘法对GM(1.1)模型的研究及应用

针对提高股票未来价格的预测精度,提出区间模糊数的整体GM(1.1)预测模型.利用最优解求解定义方程,得到区间模糊数的预测公式.基于区间模糊数满意度对投资组合选择模型进行优化,得到单目标规划投资选择模型.通过实例分析,给定不同的满意度得到不同的投资组合,证明模型具有一定的柔性.     

基于位点特异性打分矩阵的卷积神经网络预测SARS-CoV-2核衣壳蛋白的蛋白质二级结构

新型冠状病毒(SARS-CoV-2)有4种关键的结构蛋白,而核衣壳蛋白就是其中的1种.本实验从公开数据库NCBI上选取的SARS-CoV-2核衣壳蛋白质序列数据,分析SARS-CoV-2核衣壳蛋白与SARS-CoV核衣壳蛋白的序列相似性,对SARS-CoV-2核衣壳蛋白的理化性质和疏水性进行分析;在此基础上提出基于位点特异性打分矩阵的卷积神经网络,预测SARS-CoV-2核衣壳蛋白的8类蛋白质二级结构.研究结果表明,核衣壳蛋白的二级结构主要为无规卷曲,此结果可为抗病毒药物的研发与新型冠状病毒肺炎的诊断提供参考.     

基于熵评价模态分解的雷达信号双谱特征识别

针对在低信噪比下雷达信号调制识别准确率低、抗噪性差的问题, 提出一种基于熵评价模态分解和双谱特征提取的识别方法。利用双谱可以抑制高斯噪声的特点, 分析了在低信噪比下进行信号调制识别的可行性并引入了噪声项。由于噪声项的干扰, 双谱在0 dB以下时, 噪声抑制效果变差, 提出了基于信息熵评价的经验模态化分解对信号进行预处理, 提高信噪比。最后, 设计了卷积神经网络分类器, 实现对不同调制类型信号的识别。仿真实验结果表明, 本文方法相比传统方法具有良好的抗噪性, 能够在低信噪比下对不同类型信号进行有效识别。     

Short-range clutter suppression method combining oblique projection and interpolation in airborne CFA radar

The airborne conformal array(CFA)radar's clutter ridges are range-modulated,which result in a bias in the estimation of the clutter covariance matrix(CCM)of the cell under test(CUT),further,reducing the clutter suppression performance of the airborne CFA radar.The clutter ridges can be effectively compensated by the space-time separation interpolation(STSINT)method,which costs less computation than the space-time interpolation(STINT)method,but the performance of interpolation algorithms is seriously affected by the short-range clutter,especially near the platform height.Location distributions of CFA are free,which yields serious impact that range spaces of steering vector matrices are non-orthogonal complement and even no longer disjoint.Further,a new method is proposed that the shortrange clutter is pre-processed by oblique projection with the intersected range spaces(OPIRS),and then clutter data after being pre-processed are compensated to the desired range bin through the STSINT method.The OPIRS also has good compatibility and can be used in combination with many existing methods.At the same time,oblique projectors of OPIRS can be obtained in advance,so the proposed method has almost the same computational load as the traditional compensation method.In addition,the proposed method can perform well when the channel error exists.Computer simulation results verify the effectiveness of the proposed method.     

考虑多种损坏构成特征的沥青路面预防性养护决策方法

由于沥青路面损坏构成的多样性, 相同的路面状况指数(pavement condition index, PCI)可能代表不同的损坏组合. 当多种损坏并存且损坏程度接近时, 用PCI和主导损坏(最严重、扣分最多的路面损坏)难以得到具有针对性的养护对策. 因此, 通过对PCI的深入分析, 明确了主导损坏代表性不足的路段, 以现行预防性养护决策方法为基础, 补充了一种考虑损坏构成特征、更具针对性的决策方法. 以上海城市道路近5年的检测、养护数据为分析基础, 首先利用有序聚类算法将路段按PCI水平分组, 分析了不同阶段路面损坏构成和差异水平; 然后, 针对多种损坏并存且损坏差异不显著的路段, 根据预防性养护的实施效果筛选了能够反映正确预防性养护经验的有效养护路段; 最后, 基于有效养护路段建立并对比分析了2个基于BP(back propagation)神经网络的养护决策模型. 结果表明: 当PCI水平介于优良(84.4~93.0分)时, 不同损坏程度接近, 主导损坏代表性不足; 考虑多种损坏构成特征的BP神经网络模型表现出更高的决策精度, 测试集决策正确率达86.20%, 优于仅考虑主导损坏的模型(58.50%). BP神经网络与传统决策树法结合能够优化沥青路面决策过程, 提高养护对策选取的针对性.     

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%.