基于深度残差适配网络的通信辐射源个体识别

为解决通信辐射源识别中传统的人工特征提取方法鲁棒性不足和深度学习方法需要大量带标签目标域数据的问题,提出一种基于深度残差适配网络的通信辐射源个体识别方法.应用深度学习技术实现从源域到目标域上的迁移识别,只需要将带标签的源域数据和无标签的目标域数据进行训练.原始通信辐射源信号经过预处理后输入网络训练,将源域和目标域的分布...     

一种无先验地图的移动机器人导航方法

为了提高移动机器人在复杂环境下的无先验地图导航算法模型训练速度及导航成功率,提出一种基于深度确定性策略梯度(deep deterministic policy gradient, DDPG)的移动机器人导航方法。利用2D激光雷达的均匀分布测距信息,降低环境噪声的干扰及高维度环境信息的计算量;采用人工势场法构建移动机器人从初始位置到目标点过程的奖励函数;通过Actor-Critic网络结构提高模型训练的稳定性和泛化能力。实验结果表明,提出的方法具有模型训练速度快、导航成功率高及泛化能力强等优点。     

《淮南万毕术》夏造冰之新解——兼与厚宇德先生商榷

二十多年来学术界关于《淮南万毕术》“夏造冰”问题的讨论颇具戏剧性.1983年洪震寰否定了这种可能性,十年之后李志超、赵虹君的相关研究得出了相反的结果.2004年厚宇德研究了李、赵肯定说实验方案,得到出乎意料的相反结论.本文根据原文提出一个新的技术思路,按此思路,则有可能实现“夏造冰”.实际操作中能不能达到预想的目标,还有待于实验验证.     

广西丹霞地区文化旅游资源深度开发研究

随着旅游业的迅猛发展,传统观光旅游方式已不能满足广大游客对精神体验的需求,发展文化旅游迫在眉睫.广西丹霞地区文化旅游资源丰富,应加快发掘物质性和非物质性历史遗存,在充分研究其文化生态的基础上,通过旅游线路合理设计及媒介宣传等措施,实现丹霞地区及其周边地区文化旅游资源深度开发,把广西旅游业推上一个新的水平.     

柴油超深度脱硫技术进展

降低柴油中硫含量对于提高汽车尾气排放质量从而保护环境具有十分重要的意义。生产超低硫柴油的技术主要有加氢脱硫(HDS)和非加氢脱硫两大方法。概述了深度加氢脱硫的机理和需要解决的关键问题。柴油的深度加氢脱硫需要有效分解馏分油中的4,6-二苯并噻吩(4,6-DMDBT)等难脱除的化合物。提出了研制高活性深度HDS催化剂的思路和途径并介绍了近年国内外柴油深度加氢脱硫研究的成果。此外对非加氢脱硫技术中的吸附法、氧化法和生物技术深度脱硫的研究近况也做了介绍。加氢方法和非加氢方法的有机结合是十分有前途的生产超低硫柴油的手段。     

电液比例控制技术在快速深拉伸液压机中的应用

目前快速深拉伸液压机大多采用液压开关式控制系统,它存在着响应速度低、冲击振动大及拉伸件废品率高等问题。文章在比较了3种液压控制技术性能及特点的基础上,设计了一种快速深拉伸液压机的电液比例控制系统,使压边力的变化符合了拉伸工艺要求,滑块速度转变平稳,较好地解决了上述问题。     

An ensemble of LSTM neural networks for high‐frequency stock market classification

We propose an ensemble of long–short‐term memory (LSTM) neural networks for intraday stock predictions, using a large variety of technical analysis indicators as network inputs. The proposed ensemble operates in an online way, weighting the individual models proportionally to their recent performance, which allows us to deal with possible nonstationarities in an innovative way. The performance of the models is measured by area under the curve of the receiver operating characteristic. We evaluate the predictive power of our model on several US large‐cap stocks and benchmark it against lasso and ridge logistic classifiers. The proposed model is found to perform better than the benchmark models or equally weighted ensembles.     

基于深度贝叶斯网络学习的不确定性建模方法

战场态势评估涉及很多不确定因素,对不确定性进行仿真建模能够提高态势评估的能力。针对参战对象多元、不确定性增多导致的无法全面准确表达不确定性问题,提出了基于记忆模块和变分自编码器的深度贝叶斯网络模型。采用生成模型设计了基于深度贝叶斯网络学习的态势评估模型;阐述了融合记忆模块的深度生成模型原理和模型的学习与推理过程;以某空袭行动为例构建贝叶斯网络,对所提方法进行了验证。结果表明:深度神经网络能够逼近隐变量的非线性变换,设计的记忆模块能存储深度神经网络提取的大量局部特征,通过学习自动得到了贝叶斯网络条件概率,增强了不确定性建模能力。     

基于协作式深度强化学习的火灾应急疏散仿真研究

火灾是威胁公共安全的主要灾害之一,火灾产生的高温和有毒有害烟气严重影响了疏散路径的选择。将深度强化学习引入到应急疏散仿真研究,针对多智能体环境提出了协作式双深度Q网络算法。建立随时间动态变化的火灾场景模型,为人员疏散提供实时的危险区域分布信息;对各自独立的智能体神经网络进行整合,建立多智能体统一的深度神经网络,实现所有智能体之间的神经网络和经验共享,提高整体协作疏散效率。结果表明：所提方法具有良好的稳定性和适应性,训练和学习效率得到提升,具有良好的应用价值。     

融合特征通道重要性与相似性的深度YOLO网络压缩方法

基于深度YOLO网络的目标检测方法网络结构复杂、冗余参数过多、计算量大,极大影响模型检测性能。针对此问题,从降低网络中低效通道和冗余通道的影响出发,提出了一种融合特征通道重要性与相似性的深度YOLO网络压缩方法,基于深度网络压缩中的网络剪枝思路,采用2次剪枝剪去低效及冗余特征通道。构建通道重要性计算方法,将稀疏因子作为通道效能计算指标,结合剪枝率剪去低效通道;根据通道间存在的线性关系计算其相似度,对相似度较高的通道进行替代,剪去相似度较大的通道;微调模型参数,恢复剪枝前的检测精度。仿真实验表明,同当前性能较优的深度网络压缩方案相比,提出的方法在保证目标检测精度的同时极大减小了模型尺寸、提升了检测速度,方法可行、有效。