采用时序InSAR技术的广汉市地面沉降监测及影响因素分析

随着城市化进程的不断推进,建设施工活动和地下水开采等频繁人类活动对城市地表稳定性的影响程度逐步加深。基于2018年3月~2021年12月的Sentinel-1A数据,结合永久散射体干涉技术中利用振幅离差指数提取高相干点的方法,采用小基线集干涉技术,获得了广汉市的地面沉降速率和沉降时序,据此分析了广汉市沉降的特征及原因。结果表明,在研究时段内,广汉市接近90%的地区未出现严重沉降现象,小汉镇、金雁街道、三星堆镇和向阳镇出现小规模沉降,施工区及其周边沉降相对严重,最大沉降速率为-31 mm·年-1。此外,沉降主要出现在2018~2020年,建筑施工活动和降水是引起地面沉降的主要因素。     

评析《关于审理证券市场因虚假陈述引发的民事赔偿案件的若干规定》——关于因果关系的规定

针对《关于审理证券市场因虚假陈述引发的民事赔偿案件的若干规定》中关于虚假陈述因果关系的认定作出评析,发现其中存在缺陷,即排除了诱空的虚假陈述,在虚假陈述实施日至虚假陈述揭露日或者更正日之间买进并卖出证券而遭受的损失无法获得赔偿等问题。     

PAH/(NaP5W30/PAH)n多层膜光致变色性质的研究

利用LbL自组装技术构建了PAH/(NaP5W30/PAH)n多层膜,并采用IR、UV等方法对多层膜进行了结构表征.在多层膜光照变蓝后,通过UV-Vis和ESR光谱对多层膜的光致变色性能及其机理进行了研究.结果表明,NaP5W30在多层膜网络中仍保持Preyssler结构,与聚烯丙基胺盐酸盐(PAH)发生强烈的静电相互...     

多泥沙河流水电站的水轮机设计

针对多沙河流水电站水轮机的特点,引入新结构、新工艺新方法、新材料,可以效提高机组综合效率,减轻多泥沙河流水电站的磨蚀,提高多泥沙河流水电站机组稳定性。     

潮流能水轮机阵列水动力与布局优化研究进展

概述了潮流能水轮机阵列的水动力特性,总结了不同横向、纵向间距下水轮机尾流变化的一般规律,梳理了水轮机阵列布局的优化方法,从人工传统优化阵列布局与计算机自动优化阵列布局两方面回顾了水轮机阵列单目标优化与多目标优化的研究进展。人工传统布局结构简单且易于操作,有比较强的工程实践性,但物理试验可限制的约束条件有限,难以模拟阵列在真实海况下的发电情况;自动优化布局相比于人工传统布局更具有现实意义,但依然面临经济模块因素缺乏、多目标内容待完善、理论与实践未统一、前期准备时间较长等诸多挑战。     

基于孤岛划分约束的有源配电网故障恢复策略

为提高供电恢复效果,更好地应对当前有源配电网信息-物理耦合程度不断加深的形势,提出了一种考虑信息流、能量流、业务流多流融合以及智能软开关(soft open point,SOP)作用的孤岛划分算法,基于该算法实现供电恢复策略。首先,为保证负荷的可靠恢复,该策略深入研究信息-物理耦合并建模,对节点信息重要度排序,讨论其对负荷恢复的影响;其次,构建了SOP的稳态模型,分析了SOP的工作原理及控制模式;接着,为了更大程度、更加灵活地恢复负荷,考虑SOP的作用,建立考虑光伏时变性及负荷运行特性的有源配电网孤岛划分模型;最后,算例仿真验证所提策略的有效性。     

融合多尺度CNN与双向LSTM的唐卡问句分类模型

当前大语言模型的兴起为自然语言处理、搜索引擎、生命科学研究等领域的研究者提供了新思路,但大语言模型存在资源消耗高、推理速度慢,难以在工业场景尤其是垂直领域应用等方面的缺点。针对这一问题,提出了一种多尺度CNN与双向LSTM融合的唐卡问句分类模型,本模型将数据的全局特征与局部特征进行融合实现唐卡问句分类任务,全局特征反映数据的本质特点,局部特征关注数据中易被忽视的部分,将二者以拼接的方式融合以丰富句子的特征表示。通过在Thangka数据集与THUCNews数据集上进行实验,结果表明,本模型相较于Bert模型在精确度上略优,在训练时间上缩短了1/20,运算推理时间缩短了1/3。在公开数据集上的实验表明,本模型在文本分类任务上也表现出了较好的适用性和有效性。     

基于多尺度特征混合注意力的连续帧深度估计

目的 估计获取拍摄物体到相机之间距离的深度信息是单目视觉 SLAM 中获取深度信息的方法,针对无监督单目深度估计算法出现精度不足以及误差较大的问题,提出基于多尺度特征融合的混合注意力机制的连续帧深度估计网络。 方法 通过深度估计和位姿估计的两种编码器解码器结构分别得到深度信息和 6 自由度的位姿信息,深度信息和位姿信息进行图像重建与原图损失计算输出深度信息,深度估计解码器编码器结构构成 U 型网络,位姿估计网络和深度估计网络使用同一个编码器,通过位姿估计解码器输出位姿信息;在编码器中使用混合注意力机制 CBAM 网络结合 ResNet 网络提取四个不同尺度的特征图,为了提升估计的深度信息轮廓细节在提取的每个不同尺度的特征中再进行分配可学习权重系数提取局部和全局特征再和原始特征进行融合。 结果 在 KITTI 数据集上进行训练同时进行误差以及精度评估,最后还进行了测试,与经典的 monodepth2 单目方法相比误差评估指标相对误差、均方根误差和对数均方根误差分别降低 0. 034、0. 129 和 0. 002,自制测试图片证明了网络的泛化性。 结论使用混合注意力机制结合的 ResNet 网络提取多尺度特征,同时在提取的特征上进行多尺度特征融合提升了深度估计效果,改善了轮廓细节。     

基于时延嵌入式隐马尔科夫模型的癫痫脑电分类算法

癫痫脑电的分类识别能够为癫痫的预警和病程的发展监测提供强有力的技术支持。传统的癫痫脑电分类识别方法需要从较长的时间序列中提取特征,难以刻画大脑的瞬态变化,检测低效且耗时,降低了癫痫预警的有效性。针对上述问题,提出一种基于隐马尔科夫模型的癫痫脑电分类算法。该方法通过时延嵌入式隐马尔科夫模型(time-delay embedded hidden Markov model,TDE-HMM)对脑电进行状态估计,并提取状态序列中的状态切换特征,通过多层感知机(multiple layer perceptron,MLP)实现对不同癫痫发作阶段脑电的有效辨识。实验结果表明,相较于小波变换、微分熵等传统特征,所提方法准确率高,能够有效刻画癫痫不同阶段的大脑状态变化,为癫痫脑电的分类识别和状态分析提供了新的备选方案。