集群品牌视角下的产业集群可持续发展研究

在分析集群品牌的内涵及效应的基础上,探讨集群品牌对产业集群可持续发展的作用机制,并对构建集群品牌提出对策建议。     

无钴高强高韧钢中奥氏体相价的电子结构

利用固体与分子经验电子理论(EET)对无钴高强高韧钢奥氏体中含碳与不含碳晶胞的价电子结构进行了计算和分析·得到含碳晶胞的nA值大于不含碳晶胞的nA值,故在相的转变中主要考虑含碳晶胞的影响·在含碳晶胞中合金元素Ni,Si,Cr,Mo与碳原子形成偏聚区,且Ni,Si与C的结合力比Cr,Mo的大,偏聚区能降低C的扩散能力,阻碍位错运动,推迟马氏体相变;使基体中保持高度的位错,也会导致材料中有一定数量的残余奥氏体,并细化奥氏体晶粒,使转变的马氏体尺寸减小,这对材料的韧性有利·     

问答系统中基于语义核函数的问题分类算法

提出一种基于语义核函数的问题分类算法,该算法基于问题的语法结构构建支持向量机(SVM)核函数.首先,将给定的问题解析为语法树结构,用语法树的子树表示该问题;然后,从词法、语法、语义三个层面提取问题的特征,构成更加丰富的特征空间;接着,基于问题的语法树构建核函数;最后,使用潜在语义索引方法并结合问题的词法、语法以及语义特征,通过语义核函数将特征空间映射到更有效的空间中进行问题分类.TREC数据集上的实验结果表明,通过词法、语法以及语义增强的问题特征空间可以提高分类准确率.     

脉冲电磁场的杀菌实验研究

利用电磁杀菌器对某些细菌进行电磁场杀菌实验,对杀菌效果和脉冲电磁场杀菌参数的选择进行了初步的探讨.     

基于深度学习与数据增强技术的小样本岩石分类

在油气勘探中,利用深度学习技术对岩石进行识别与分类能极大提高工作效率。岩石采样并制作样本图像费时费力,因此岩石样本通常较少。有鉴于此,基于深度学习技术设计一个新的神经网络模型MyNet,该模型能对小样本进行学习并完成岩石样本的分类。使用数据增强技术通过Python编程将314张岩石样本扩充成28 272张图像,为了充分利用现有数据,取其中的27 384张作为训练集,剩余888张作为测试集。将数据分别导入MyNet、ResNet50、Vgg16进行训练和测试。实验结果表明,加载、不加载预训练参数的ResNet50、Vgg16的岩石分类结果因受有无迁移学习影响会有所不同;MyNet的总体分类准确率为75.6%,均优于有无迁移学习的ResNet50、Vgg16,且MyNet、ResNet50、Vgg16所需训练的参数量分别为919 278、25 503 912、138 357 544,显然,MyNet模型的复杂度与训练代价明显低于其他对比模型,但性能最优,说明新模型应用于小样本的岩石分类可行有效且经济安全,更容易推广应用。     

多视域下基于机器视觉的索力测试

拉索是缆索承重体系桥梁的关键承力或传力构件,在体系构成中的地位至关重要。为解决现有非接触视觉测量存在的测试视场不足、应用场景复杂多变,致使其测试精度与视域范围相互矛盾无法协调统一的技术难题,提出了多视域下基于机器视觉的索力测试新方法。以全息视觉传感器系统获取斜拉索全视域-多视域下的空间几何构型数据,建立了像素映射及图像增强算法计算模型;通过数字空间基准平面的信息转化,对复杂测试场景下视觉传感器光轴射线与被测物体所在承影面非正交情况进行测试参数修正。为避免实测拉索全息性态特征因偏离标准悬链线所导致的索力测量误差,以单一视域下的几何构型拟合降噪后的全息曲线并精确定拉索上下锚固点坐标,进而可由拉索全息性态特征参数精确测算斜拉索索力。试验结果表明：所提方法可在复杂测试场景下量化分析拉索索力计算参数,相较于常规索力测试方法,最大相对误差为9.2%,均方根误差为2.79%,满足工程实践测试精度及稳定性要求,为复杂测试场景下斜拉桥索力监测提供了一种新途径。     

基于深度学习的输变电设备紫外放电光斑分割方法

随着紫外成像技术的发展,高压电力设备对于紫外成像图谱的量化分析提出了更高的要求。紫外图谱的量化分析需要用到除紫外成像仪所输出“光子数”额外的紫外光斑图像信息,所以需要将紫外放电光斑从可见光的背景中分割出来。然而,传统紫外图谱光斑分割方法仍存在复杂背景及小光斑分离困难、特征选取复杂、分割精准度低等问题。基于上述问题,提出了一种基于深度学习的紫外图谱光斑分割提取的方法。首先,采用紫外成像仪拍摄电力设备放电缺陷紫外图谱;其次,分别构建FCN-32s、FCN-16s、FCN-8s 3种全卷积网络(fully convolutional networks, FCN)子模型架构,并利用随机梯度下降法进行模型训练;最后,实现输变电设备放电缺陷紫外图谱主光斑的自主分割提取。经过对FCN 3种子模型架构的训练、测试和对比分析,结果表明：FCN-16s模型为紫外光斑分割提取的最佳模型,测试准确率可达99.34%。结果表明基于深度学习的紫外图谱光斑分割方法准确高效,为紫外光斑的量化提取及电力设备放电缺陷的紫外诊断提供了参考。     

物种特异性PCR在中药材白花蛇舌草鉴定中的应用

提供中药材白花蛇舌草物种特异性鉴定引物以及建立简便、高效的特异性鉴定方法和研制鉴定试剂盒．为此收集目前市场上出现的所有白花蛇舌草正伪品样品共9种,并测定所有样品的核糖体基因ITS区核苷酸序列,在此基础上设计一对物种特异性引物B174和B53,特异性地鉴定白花蛇舌草．表明用这对引物扩增白花蛇舌草,获得207bp的特异性产物,而其它伪混品样品没有阳性产物．可以认为用白花蛇舌草特异性鉴定引物B174和B53的所配制的鉴定试剂盒具有很好的应用前景．     

基于CNN-LSTM-lightGBM组合的超短期风电功率预测方法

近年来,风电装机规模逐年增加,风电数据采集量呈现规模化增长,面对海量多维、强波动的风电数据,风电功率预测精度仍面临一定的挑战。为提高风电功率预测精度,提出了基于卷积神经网络(convolutional neural networks, CNN)-长短期记忆网络(long short-term memory, LSTM)和梯度提升学习(light gradient boosting machine, lightGBM)组合的超短期风电功率预测方法。首先,分别建立CNN-LSTM和lightGBM的风电功率超短期预测模型。其中,CNN-LSTM模型采用CNN对风电数据集进行特征处理,并将其作为LSTM模型的数据输入,从而建立CNN-LSTM融合的预测模型;然后,采用误差倒数法对CNN-LSTM和lightGBM的预测数据进行加权组合,建立CNN-LSTM-lightGBM组合的预测模型;最后,采用张北曹碾沟风电场的风电数据集,以未来4 h风电功率为预测目标,验证了组合模型的有效性。预测结果表明：相较于其他3种单一模型,组合模型具有更高的预测精度。     

一种非正交多址接入迭代优化混合预编码算法

为了使大规模毫米波(millimeter wave, mmWave)多输入多输出(multiple-input multiple-output, MIMO)系统获得高频谱效率和高能量效率,采用非正交多址接入迭代优化算法和簇首选择算法,研究了无线携能通信场景中的混合预编码问题。仿真结果表明：与传统正交多址接入无线携能通信的混合预编码算法相比,所提算法能够获得更高的频谱效率和能量效率。