无标度网络拓扑结构非均匀性研究

利用网络结构熵定量分析了无标度网络拓扑结构的非均匀性.通过引入度秩函数,解析地给出了无标度网络的网络结构熵.研究发现当标度指数大于2时,无标度网络的网络结构熵仅与标度指数有关,与网络规模及最小度无关.在给定网络规模及最小度条件下,无标度网络的网络结构熵在标度指数等于1.7附近取最小值,即此时网络最不均匀,当标度指数大于1.7时,无标度网络的网络结构熵随标度指数单调递增.     

基于混合神经网络的序列推荐算法

为了提高推荐算法的推荐性能,在序列建模过程中,针对循环神经网络(recurrent neural network,RNN)无法并行运算导致建模速度与准确度较低,以及在偏好预测过程中对用户不同阶段偏好没有动态融合的问题,提出了一种基于混合神经网络的序列推荐算法.在算法模型的用户交互序列建模阶段,考虑到用户近期偏好变化频繁...     

基于平滑指数仿真优化的装甲装备器材消耗预测

准确地预测装备备件需求是合理有效进行各项保障工作的基础,通过分析现有常用的器材消耗预测方法,针对袭甲装备维修保障的特点,假设在已收集某类备件消耗数据的基础上,选取基于时间序列的指教平滑法对装甲装备维修保障器材消耗预测进行了研究.同时,针对平滑指数的选取问题,以最小预测方差为优化目标,构建了基于Anylogic的仿真优化模型,并最后通过具体案例应用,对计算方法进一步的说明和检验,结果反映出:当器材消耗量平稳变化时,此法具有较高的准确度;当器材消耗量变化较大时,预测结果存在较大偏差.     

蜡状芽孢杆菌Bc-05菌株纤溶酶的酶学性质

对蜡状芽孢杆菌Bc-05茵株的发酵上清液经硫酸铵分级沉淀、DEAE Sepharose Fast Flow阴离子交换层析所获得的纤溶酶进行性质研究.结果表明:经纤维蛋白平板法检测该酶有直接水解纤维蛋白和激活纤溶酶原的双重作用,最适作用温度37℃,最适pH=8.0,在pH=8.0条件下25℃和37℃放置24 h酶活力仍保持77.52%和78.96%,该酶体外对兔血凝块有明显的溶解作用;Ca2+,Mn2+离子对该酶具有激活作用,而Cu2+,Fe3+完全抑制其纤溶活性,PMSF,EDTA和DTT对该酶有抑制作用,说明活性中心含有二硫键、金属离子和丝氨酸;测其N端10个氨基酸序列为NH2-Val-Thr-Pro-Thr-Asn-Ala-Val-Asn-Thr-Gly,与其他生物来源的纤溶酶相比较没有同源性.     

带混合误差的随机Ishikawa迭代程序

在一致光滑可分Banach空间中,针对随机强伪压缩算子T构建了带混合误差的随机Ishikawa迭代程序,并证明了在某些条件下,此随机迭代序列强收敛于T的一个随机不动点.     

论白朗短篇小说创作的审美风格

白朗是20世纪30年代东北作家群中小说创作成就较高的女作家。对白朗短篇小说创作的结构和语言进行了分析,认为白朗擅长运用中国传统叙事和西方心理展示相融合的小说结构,语言直白、粗犷、明快,表现出浓烈的东北文学创作的美学特质和意蕴,形成了独特的审美风格。     

芳香族聚醯胺(aramid)短纤维强化FRP的激光加工性能试验

CO2激光适用于芳香族聚醯胺短纤维强化FRP板的孔加工。在纤维百分含量为常数下,改变照射时间和激光能量,用显微镜观察孔及其周边的特征、状况,检查孔的结构与质量。结果显示,减少照射可实现加工孔的高质量。     

数字并行接收机的反馈频域均衡方法

为了适应高速宽带无线通信的需要,在一种高速数字并行接收机(APRX)结构的基础上,提出了一种使用伪随机(pseudo-random num ber,PN)序列进行反馈频域均衡的方法,通过PN序列相关估计的信道冲激响应反馈到频域均衡器来更新并行接收机频域均衡器系数,这种结构能适应高速率传输的要求,并且能有效地对抗频率选择性衰落。仿真结果表明:在多径信道下,APRX已无法工作,而提出的反馈频域均衡方法性能较好,仅与G auss ian白噪声信道下有约5 dB的性能损失,且实现简单,便于应用。     

气候变化背景下济南短历时暴雨强度及雨型特征

城市暴雨强度和暴雨雨型的确定是科学合理规划和设计城市排水系统的基础。根据济南国家基本气象站1961—2017年分钟降水数据,采用概率分布模型、芝加哥法及同频率法,研究济南1961—1990年、1971—2000年、1981—2010年、1991—2017年等4个不同年代下短历时暴雨强度和雨型变化特征。结果表明：济南短历时强降水自20世纪80年代开始增强,特别是20世纪90年代以来增大的趋势较明显;短历时和长历时强降水都主要集中在降水过程的前半程且有推后的趋势时段。建议每隔10年或当暴雨强度变化率超过5%时,对当地暴雨强度公式进行修订。     

基于VMD-LSTM-IPSO-GRU的电力负荷预测

为了挖掘电力负荷数据中的潜藏信息,提高负荷预测的精度,针对电力负荷强非线性、非平稳性等特点,提出一种基于变分模态分解(variational mode decomposition,VMD)、优化长短期神经网络(long-term and short-term memory network,LSTM)、改进的粒子群算法(improve particle swarm optimization,IPSO)优化门控循环单元(gated recurrent unit neural network,GRU)的混合预测模型。首先,使用相关性分析确定确定输入因素,再将负荷数据运用VMD算法结合样本熵分解为一系列本征模态分量(intrinsic mode fuction,IMF)和残差量,更加合理地确定分解层数和惩罚因子;其次,根据过零率将这些量划分为低频和高频,低频分量使用LSTM网络,高频分量利用IPSO-GRU网络分别进行预测;最后,将预测结果重构得到电力负荷的最终结果。仿真结果表明,相对于其它常规模型,该混合模型可有效的提取模态特征,具有更高的预测精度。