伞的欢愉

与过去疏离的人需要记忆,否则人生的意义就会有问题。在各种各样收集记忆的手段中,摄影的方式比较温和、普遍而影响深远。在旅行中透过摄影制造回忆、创造美好生活,这是一件现代人无法回避的事情。     

更负面的思考有助于应对未来苦难

我们对未来的期许,能否改变我们对过去的记忆呢？答案是能。最新发表在《实验心理学杂志》（Journal of Experimental Psychology）期刊上的一篇论文的研究结果显示,如果人们认为在未来还会经历与现在相同或者类似的不愉快或者苦难,那么人们对正在经历的不愉快或苦难的记忆就会更负面、更深刻。     

OLAM神经网络分析X荧光谱的预处理研究

在采用最优线性联想记忆(Optimal Linear Associative Memory)神经网络分析X荧光谱时,可用多种方式对谱作预处理,如去掉多余数据、取对数、横向压缩、标准化等.针对实验测得的水泥生料X荧光谱,分别用上述方法进行预处理,然后再用神经网络分析,与化学分析的偏差作对比.结果表明,去掉多余数据、横向压缩可以减少信息处理量,减少存储空间,提高运算速度,且对精度影响较小;标准化处理对含量较少的成分有优势,对含量大的成分误差太大;对数方法则不适用.     

ARM926EJ-S处理器中Cache一致性问题的探讨

在基于高性能ARM 处理器的SoC结构中,Cache致性问题是系统稳定运行的潜在威胁,消除该障碍是 系统设计师必须解决的问题。介绍了ARM926EJ-S处理器内Cache的工作原理以及基于该处理器的典型SoC结 构,重点论述了产生Cache致性问题的原因,并提出具体的解决方法。相关测试表明该方法切实可行,能够有效 避免数据不一致情况的发生,已被成功应用于课题项目中。     

不能忘却的记忆——朝鲜隆重纪念中国人民志愿军入朝参战60周年

在世界战鲁史上,抗美援朝战争是艰苦卓绝、以弱胜强的经典战例,更是保卫和平、反抗侵略、维护世界和平与人类进步事业的胜利之战。     

焊缝磁记忆检测

通过对发供电具体设备部件焊缝的检测,以及对检测所采集的信息进行了详细的分析,使得磁记忆检测在具体的实际应用中具有很强的可操作性,为该技术在其他领域的应用提供了很好的参考。该方法的推广运用,能够对铁磁性金属构件的安全运行提供有力的保障,提高无损检测的工作效率和经济性。     

利用记忆梯度法改进的变步长恒模盲均衡算法研究

针对传统恒模盲均衡算法收敛速度慢、固定步长条件下收敛速度和收敛精度之间存在矛盾的缺陷,提出了一种利用记忆梯度法改进的变步长恒模盲均衡算法。用记忆梯度算法替代最速梯度下降算法实现对恒模盲均衡中均衡器权值的调整,充分利用当前和前面迭代点的梯度信息,同时利用梯度信息变化率作为学习步长调整因子。新算法有效地提高了算法收敛速度,与共轭梯度法和拟牛顿法等改进算法比较,具有较低的计算复杂度和更好的均衡性能。计算机仿真证明了这一算法的有效性。     

一天思考 十年回味——1998年“4·21”禁传亲历者记忆

从1998年4月21日一刀切直销业全面陷入低谷,到2008年直销业全面回暖,经历了整整10年时间。这10年间发生了太多的故事,政策的演变、企业家的选择、经销商的方向,直销业的宏观走向和直销人的微观命运,并不都是尽在掌握,更多是走一走,看一看,甚至是随波逐流。     

考虑地质分层约束的长短期记忆循环神经网络测井曲线重构

延长油田东部裸眼井区早期测井资料普遍只有自然电位（SP）、自然伽马（GR）及梯度电阻率(R2.5)三条曲线,因缺失声波（AC）、地层电阻率（RT）等测井曲线,难以满足精细油藏地质研究需求。东部裸眼井区开发时间长、单井产量低,重新测井缺乏可行性及经济性。采用长短期记忆循环神经网络(Long Short-Term Memory,LSTM)进行缺失测井曲线重构是一种经济有效方法,适用于地层测井序列数据。然而延长油田东部浅层油藏上覆黄土层段测井数据信号干扰大,直接应用模型精度较差。针对此问题,本文采用考虑地质分层约束的LSTM模型进行缺失测井曲线的重构,通过分层数据截取每口井长6层段测井数据作为样本数据,既保留了LSTM模型处理序列数据的优势,同时又避免了上覆黄土层测井数据对模型的干扰。利用裸眼井区完整测井数据进行模型训练优化和验证,讨论了考虑地质分层约束的LSTM测井曲线重构精度,结果表明通过引入地质分层约束,模型重构测井曲线精度更高。应用优化后模型实现裸眼井区50口仅有GR、SP、R2.5三条曲线数据井的AC、RT曲线重构,对50口井的142个射孔段进行二次解释,对比试油解释结论符合率达到89.4%,验证了该方法对测井曲线重构的实用性和有效性。     

基于STL-Informer-BiLSTM-XGB模型的供热负荷预测

供热负荷预测是指导供热系统调控的重要手段。提高供热负荷预测精度十分重要,针对机器学习中输出目标的分解预测,提出了一种基于季节和趋势分解(Seasonal and Trend decomposition using Loess, STL)的供热负荷预测方法,构建了适用于供热负荷预测的输出目标。首先利用STL算法将供热负荷时间序列数据分解为趋势分量、周期分量和残差分量,分别训练Informer、BiLSTM和XGB三个模型,将构建好的三个分量预测模型的输出叠加作为初步预测结果,分析误差序列,以BiLSTM预测误差提高模型精度,构建出STL-Informer-BiLSTM-XGB预测模型。将上述模型与常用预测模型进行对比,结果表明所构建的STL-Informer-BiLSTM-XGB 模型的MAPE、MAE和MSE,分别为0.871%、96.18和13202.2,预测效果最优,验证了所提出的方法具有较高的供热负荷预测精度。