借助对称语言的作用,加强函数概念的识记

数学记忆是数学学习的重要一环，离开了记忆，学生的数学能力就不可能得到发展．因此，教师要了解学生的记忆特点，采取相应的策略，运用记忆规律，在数学教学中启发学生的记忆思维，提高学生对数学知识的记忆效果．数学概念较多，又较抽象，如何提高学生的识记效果，在教学中借助了对称语言的作用，使教学收到了良好的效果．     

300MW汽轮发电机励磁电刷故障分析及对策

本文针对300MW汽轮发电机励磁电刷及滑环的典型故障情况,从电刷性能、运行条件、配套设备状况及运行维护等方面进行了详细分析,进而提出了防止电刷损坏的措施,所得结论对生产实践有一定的指导意义.     

10 kV真空断路器常见故障分析及处理

就目前长治电网中真空断路器在变电站使用中比较常见的故障进行了分析，并结合实际情况提出了处理办法。     

滚动轴承疲劳故障的在线监视和诊断技术

本文研究振动诊断方法在滚动轴承疲劳故障在线监视和诊断中的应用。 文中指出:通过在轴承寿命试验机上所作的大量试验发现,当轴承疲劳后,在作为其二次效应的振动信号中,除存在已为国内外学者指出并广为使用的“通过频率(又称冲击振动发生间隔频率)”和“高频冲击脉冲”两种信息特征外,还存在另一种位于中高频段的鲜为人知的重要信息特征——某“高频峰群”。 本文对该高频峰群的形成机理、影响因素及检测方法进行了初步研究,并利用这种新的信息特征研制了“以带通滤波器或以精化信息特征DDS模型谱分析法为主体的两种轴承疲劳故障在线监视和诊断装置。     

基于降维观测器与多胞体方法的执行器故障检测

针对具有执行器故障且状态方程和输出方程同时受到外部扰动影响的离散系统,研究了降维观测器设计方法和基于多胞体理论的区间估计方法,并在此基础上提出了基于区间估计的执行器故障检测方法。首先,通过适当的状态等价变换,将原系统分解成2个降维子系统,使得一个子系统可以直接解耦干扰。然后,在无执行器故障发生的前提下,基于对干扰解耦的子系统,提出了一种降维观测器设计方法,实现了原系统状态的渐近收敛估计。其次,针对具有干扰的子系统,设计了Luenberger型观测器,并结合多胞体理论,提出了一种对可测输出的区间估计方法。之后,基于可测输出的区间估计,提出了一种残差的构造方法,以此提出了一种执行器故障检测新方法。最后,给出了仿真设计和分析,验证了方法的有效性。     

基于LSTM网络的车辆动态荷载识别方法

为了识别车辆的动态荷载,提出了一种基于长短时记忆网络的方法.该方法以桥梁加速度响应为输入,采用有限的数据集,实现车辆动态荷载的识别.建立了车桥耦合模型进行验证,以60组桥梁加速度响应为输入,以相应的车辆动态荷载为输出,通过训练长短时记忆网络来反演车辆动态荷载,并讨论了环境噪声及路面粗糙度对识别效果的影响.结果表明：测试集的车辆动态荷载识别误差平均值均小于5%;车辆动态荷载识别误差不随噪声水平变化,且平均误差小于5%;车辆动态荷载识别误差随着路面粗糙度等级的增加呈现略微增加的趋势,平均误差小于5%.在不同噪声及粗糙度水平下,长短时记忆网络均可用于车辆动态荷载的识别.     

不确定车辆电子稳定控制系统传感器故障估计

针对车辆横摆角速度传感器故障问题,提出一种基于观测器的故障估计策略.首先,考虑由于轮胎侧偏刚度特性造成的不确定性以及系统中存在非线性干扰等因素,建立车辆四轮转向系统数学模型.然后,设计基于观测器的传感器故障估计策略,利用李雅普诺夫函数和线性矩阵不等式方法求解观测器增益.最后,通过Carsim与Simulink联合仿真验证所设计的传感器故障诊断策略的有效性.结果表明：在传感器发生故障时,该诊断策略能够对系统状态以及传感器故障具有良好的估计效果,能够为车辆安全稳定系统提供关键信息,并且对于下一步的传感器故障容错控制提供技术支持.     

基于Bert股吧舆情分析的特征融合股价走势预测研究

传统股价预测模型往往只考虑时序性数据且局限于模型自身机制,而忽略舆情对股价的影响,导致预测精度不高,针对该问题,提出基于 Bert 股吧舆情分析的特征融合预测模型对股价收盘价进行涨跌幅预测。 首先,采用Bert 自然语言处理对股吧舆情以及公司公告政策进行情感分类,并转化为虚拟变量,构建金融舆情情感特征库;然后将金融舆情特征库和时序性数据合并构建特征融合矩阵;最后输入长短期记忆网络模型(LSTM)进行股价收盘价预测,并得出股价的涨跌结果。 以华银电力(600744. SH)为例进行实证分析,实验结果表明:引入股票情感特征后的模型,得到的股价走势准确率上升了 8. 63%,预测收盘价的回归指标 FMAPE FRMSE 分别下降了 23. 59%、22. 9%,R2 提高了 8. 11%,证明引入新的舆情情感特征在实际预测中能提高股价预测的准确率,可以作为精准预测股价走势的手段。     

基于词-标签概率的多标签文本分类研究

针对多标签文本分类任务中如何有效地提取文本特征和获取标签之间潜在的相关性问题,提出一种CNN(convolutional neural networks)结合Bi-LSTM (bi-directional long short-term memory)的模型.首先,通过CNN网络和最大池化提取文本的特征;然后,利用训练的Labeled-LDA(labeled latent dirichlet allocation)模型获取所有词与标签之间的词-标签概率信息;接着,使用Bi-LSTM网络和CNN网络提取当前预测文本中每个词的词-标签信息特征;最后,结合提取的文本特征,预测与当前文本相关联的标签集.实验结果表明,使用词-标签概率获取文本中词与标签之间的相关性信息,能够有效提升模型的F1值.