基于卷积神经网络的γ放射性核素识别方法

快速、准确的放射性核素识别可有效地对放射性危险源进行及时的监测预警，对保护人们远离放射源的威胁具有重要意义。该文基于卷积神经网络研究了放射性核素γ能谱的识别。通过溴化镧能谱仪采集16种放射性核素的γ能谱数据，并通过改变放射性核素γ能谱的计数和能谱漂移程度，创建生成大量单核素和双核素γ能谱训练数据，利用自搭建的卷积神经网络开展放射性核素识别模型训练。实验采集其中9种核素及其双核素的混合能谱对核素识别模型开展验证，结果表明：在剂量率约为0.5μSv/h、测量采集时间为60 s时，模型的识别准确率可达92.63%,满足在低剂量率下对放射性核素进行快速识别筛查的需求。     

多证据推理Hopfield神经网络在PIV数据后处理中的应用

在对人脑判别PIV错误矢量方式进行模拟的基础上,建立了错误矢量识别的多证据推理Hopfield神经网络模型,并通过数值试验对该网络模型的功能进行了验证.试验结果表明,该网络模型具有较强的识别能力,可以识别出所有的错误矢量.     

便携式γ谱仪中的核素识别算法

为满足便携式γ谱仪核素识别的功能需求,提出了以有限脉冲响应(FIR)滤波平滑、自适应对称零面积寻峰、核素匹配为基础的能谱数据处理及核素识别算法。算法中避免了复杂的迭代运算,充分利用已知核素的先验知识优化了核素库的设计,提高了运算速度,达到了适用于便携式γ谱仪的核素识别要求。算法运行在ARM2440单片机上,经过自制的便携式谱仪系统实测数据和MonteCarlo模拟数据的验证,能够在5s内正确识别出4类、27种不同核素。     

便携式γ谱仪中的核素识别算法

为满足便携式γ谱仪核素识别的功能需求,提出了以FIR滤波平滑、自适应对称零面积寻峰、核素匹配为基础的能谱数据处理及核素识别算法。算法中避免了复杂的迭代运算,充分利用已知核素的先验知识优化了核素库的设计,提高了运算速度,达到了适用于便携式γ谱仪的核素识别要求。算法运行在ARM2440单片机上,经过自制的便携式谱仪系统实测数据和MonteCarlo模拟数据的验证,在IAEA规定的采集时间内,能够在5s内正确识别出4类、27种不同核素。     

内陆核电站事故情况下核素迁移扩散模拟

针对某拟建内陆核电站,选择二维数值模型,运用Fluent软件模拟了受纳水体的流场及假想事故情况下放射性液态流出物的稀释扩散情况.模拟结果显示:模拟的流场基本能够反映受纳水域实际情况,短半衰期核素131I比长半衰期核素137 Cs浓度下降更快,且两者都有向上游以及泄漏点下游各支流有限扩散的趋势,流速相对较小或者存在涡流的库汊和库湾容易造成核素的长期滞留,假想事故下的污染物影响会持续50d以上.     

低中放核素在地下水环境运移的动力学研究

针对处置库中低中放核素释放对地下环境潜在性污染的严重性,建立了核素在包气带和含水层中联合迁移的数值模型,利用所建立模型对某一处置场核素迁移的动力学行为进行环境预测。数值模拟结果表明：包气带对于吸附性较强的核素具有很大的阻滞作用,对于低分配系数的核素阻滞作用较弱;衰变系数对含水层中核素的迁移起到了重要作用,随着衰变系数的增大,地下含水层中的核素体积浓度逐渐降低,并且分配系数的大小直接影响着核素在含水层中体积浓度分布曲线的形状。采用系统耦合数学模型来研究核素在包气带和含水层中的运移是预测核素污染的重要手段和有效方法,可为核素在地下处置库中安全处置及环境影响的评价提供科学依据和技术指导。     

基于深度学习的中文票据文本检测与识别方法

针对票据在识别时出现数据漏检率高、识别精度低的问题,提出文本检测模型ENCRAFT与识别模型DLCNN。在文本检测模型CRAFT的基础上,ENCRAFT修改其原始的特征提取网络的结构,利用未经池化的特征图进行融合,减少了细小特征的丢失,并增大监督特征图的分辨率,以提供更丰富的监督信息,从而提高模型检测率;DLCNN利用深层的卷积网络与浅层的循环网络实现对中文票据的高精度识别。实验结果表明,该方法在多个票据数据上的检测率与识别精度均有明显提升。     

裂隙岩体核素迁移的稳态时间模型

将裂隙岩体渗流视为裂隙网络流 ,核素仅在岩体裂隙网络流中迁移 ;核素在迁移过程中同时存在吸附和解吸作用 .基于图论和单一裂隙渗流的立方定律 ,建立了裂隙岩体裂隙网络渗流模型 ;在此基础上 ,考虑核素在裂隙网络流中迁移时既被裂隙表面吸附同时又发生解吸 ,建立了裂隙岩体核素迁移的二维稳态平衡和非平衡时间模型     

某核废物处置预选区中核素迁移模拟研究

核素在裂隙介质中的迁移问题是核废物深地质处置中极为关注的问题.为了解裂隙介质中核素的迁移规律,建立了基于双重介质理论的描述核素在裂隙域和基质域中迁移的基本微分方程,利用拉普拉斯变换推导出其解析解;在对西北某核废物处置场预选区地水文地质条件分析的基础上,获取相关参数,利用一维多途径核素迁移模型,选取国内在花岗岩中研究较多的核素Cs-134、Co-57、Tc-99,模拟这几种核素的相对浓度随模拟时间、迁移距离的变化规律.模拟结果表明:在其他条件都相同的情况下,Cs-134的迁移是最快的,而Tc-99迁移是最慢的.     

基于改进UNet3+网络的雷达辐射源信号识别

针对传统识别辐射源信号的方法需要手动提取并选取特征、在低信噪比条件下难以准确识别信号的问题,提出了一种基于改进UNet3+网络的辐射源信号识别方法。通过删减UNet3+的网络层级,保留网络特征融合能力的同时降低了网络的复杂度,并引入注意力机制优化模型性能,构建了一个新的网络模型。通过对8种常见的雷达信号进行仿真实验,实验结果表明：改进模型的识别准确率达到96.63%,对比一些经典网络模型,训练总用时更短,在低信噪比条件下能更加有效识别辐射源信号, 可以适应复杂的电磁环境。     

一种用于模拟汉字认知过程的多层自组织神经网络

为了模拟汉语初学者的汉字认知过程,在Kohonen神经网络的基础上,改进了其网络结构和算法,并且将改进后的网络输出层根据Hebbian学习规则连接,构建了一个多Kohonen网络协同工作的汉字认知自组织神经网络模型.模拟研究结果表明,模型能够成功地学习到汉字的结构类型,且能有效识别出汉字的部件,在一定程度上模拟了汉字认知的部分过程,说明该模型用于汉字认知乃至汉语言习得的可行性.     

GMS在饱和—非饱和地下水流动及核素迁移模拟中的应用

为了研究某饱和——不饱和区域的地下水流动和核素迁移规律,采用GMS软件数值模拟的方法,介绍了应用GMS解决这类问题时的具体步骤,论述了初始条件、边界条件的设置技巧。模拟得到了该区域合理的地下水流场和不同时刻的核素质量浓度分布,与相关程序计算结果吻合较好。研究结果表明:GMS在饱和—非饱和地下水流动及核素迁移模拟中,具有较高的应用价值。     

基于多尺度模型的斜拉桥钢箱梁损伤分析与识别

以青岛海湾大桥沧口斜拉桥为背景,采用多尺度有限元模型对钢箱梁局部裂缝进行损伤分析和识别.首先,采用小尺度的壳单元和大尺度的梁单元建立钢箱梁的多尺度模型,并根据实际监测数据对整桥模型进行模型修正;然后,对小尺度钢箱梁易损截面进行小损伤模拟,研究断面应变响应的变化规律和损伤敏感性;最后,采用BP神经网络法进行损伤位置和程度识别.分析结果表明:多尺度模型使小损伤模拟与计算效率得到较理想的协调;顺桥向应变对钢箱梁小损伤具有较好的敏感性,应变变化具有显著的局部化特征;基于合理的应变测点布置,采用顺桥向应变的BP网络方法能较好地识别损伤位置及损伤程度,且具有较强的抗噪能力.     

二维单裂隙-孔隙双重介质的核素迁移数学模型及参数反演

探讨了二维单裂隙-孔隙双重介质系统中的核素(以90Sr为例)迁移数学模型及其参数反演问题。该核素迁移模型是一个耦合的抛物型方程组定解问题。若已知排污点的核素浓度变化规律,利用傅立叶变换及Saul’yev不对称差分格式,求得了核素迁移模型正问题的解。反之,由下游裂隙中某位置的实测核素浓度,利用遗传算法,反求出核素迁移模型中的地质参数,即裂隙介质水动力弥散系数D1和裂隙平均渗流速度u。最后,给出核素迁移模型的正问题和反问题的数值模拟。数值结果表明,正问题能够刻画核素的迁移规律,也显示出所提反问题方法能有效地反演核素迁移模型中的地质参数。     

多源头网络用户访问信息自适应识别算法

为了解决传统算法学习规则有效性低、无法保证学习性能、匹配模板不全面、容易出现误识别现象的问题,提出一种改进的反向传播(back propagation,BP)神经网络算法研究多源头网络用户访问信息自适应识别问题。对多源头网络用户访问信息进行数据清洗处理,用多源头网络用户访问矩阵对全部会话集合进行描述;在矩阵中引入网络用户位置信息,将得到的信息保存至数据库,构成信息集。将一段时间内用户访问日志构成用户访问路径数据,依据访问请求抵达顺序,将其保存至相应用户缓冲区。把多源头网络用户访问路径当成隐马尔科夫模型的状态转移序列,将网页中信息集当成状态输出符号集,通过离散隐马尔科夫模型对不同源头网络用户访问信息进行分析,提取其特征。将多源头网络用户访问不同种类信息的概率特征作为输入,建立改进BP神经网络算法,得到的输出结果即为多源头网络用户访问信息自适应识别结果。结果表明:采用的BP神经网络算法学习性能优;所提算法识别准确性高。可见所提算法识别结果可靠。     

基于复杂网络理论的有向多关系网络级联失效研究

针对复杂网络中关键节点识别仅限于单个关系网络的问题，根据复杂网络理论构建有向多关系网络级联失效模型，研究多关系网络中节点重要性的识别与网络鲁棒性问题；依据所建模型提出多关系网络节点及连边指标与节点重要性识别公式。通过对网络模型采取不同攻击方式，验证所提指标与关键节点识别的有效性。研究结果表明，所提指标可以很好的反映网络模型的结构与特点，优先攻击高重要性的节点后网络失效节点比例快速增加，网络连通性大大降低，破碎程度迅速增大，对网络鲁棒性的影响大于随机攻击与高度数攻击；证明了所提关键节点识别方法的有效性，优先保护本文所提重要节点可以大大降低网络构建成本，提高网络抗风险能力。     

采用长短时记忆网络的低资源语音识别方法

针对低资源环境下由于标注训练数据不足、造成语音识别系统识别率急剧下降的问题,提出一种采用长短时记忆网络的低资源语音识别(LSTM-LRASR)方法。该方法采用长短时记忆网络构建声学模型,从特征提取、数据扩展及模型优化3个方面提高低资源语音识别性能。在特征提取方面,提取语言无关的高层稳健特征参数,降低声学模型对训练数据的依赖;在数据扩展方面,对已有标注数据进行语速扰动,对无标注数据进行自动识别,从而自动获取更多标注数据;在模型优化方面,通过序贯区分性训练技术提高模型对易混淆音素的区分能力,利用最小风险贝叶斯解码对多个系统进行融合,进一步提高识别性能。对OpenKWS16评测数据的实验结果表明,采用LSTMLRASR方法搭建的低资源语音识别系统的词错率相对基线系统下降了29.9%,所有查询词的查询项权重代价提升了60.3%。     

神经网络在毒剂识别中的应用

识别毒剂方法已有很多,但自动化、智能化的程度都很低。为快速、准确地识别毒剂,在分析神经网络毒剂识别基本方法的基础上,建立了带有偏差单元的递归神经网络毒剂识别模型,设计了神经网络毒剂识别的软件,实现了神经网络对毒剂的识别。用沙林模拟数据对该模型进行了分析和测试,得到了比较满意的结果。     

基于多尺度特征融合和多头自注意力机制的非侵入式负荷监测

针对目前负荷分解模型的深层负荷特征提取不充分,分解精度低以及训练成本高等问题,提出了一种多尺度特征融合模型。模型由负荷分解子网络及负荷识别子网络两部分构成,两个子网络均利用一维卷积和批量归一化等组成的卷积块进行负荷特征初提取,然后采用金字塔池化模块从多个维度精确提取深层负荷特征信息,并与特征初提取部分进行融合。金字塔池化模块使网络参数大大减少且降低了训练成本。同时与以往模型中的注意力机制不同的是,网络引入多头自注意力机制,每个注意力关注负荷特征的不同部分,从多个角度实现对重要负荷特征的筛选,进一步提高分解性能。最后,在UK-DALE和REDD数据集上进行实验,结果表明所提模型与四个基准模型相比,无论是负荷分解性能还是电器运行状态识别能力都有明显提升。     

SD对壳模型:利用BCS方法讨论偶-偶Mo核素的集体性质

利用SD-对壳模型研究偶-偶Mo核素低激发谱的集体性质.结果发现如果利用BCS方法来确定S对和利用对易关系来确定D对时,该模型可以近似地再现Mo核素低激发谱的集体性质.