浅析GHS在精细化工企业环境风险管理中的运用方法

该文介绍了GHS的背景和主要内容,分析了精细化工企业中环境风险方面的特点,提出了运用GHS进行环境风险管理的思路,并结合实例研究检验了该方法的效果。通过GHS完善的危害性分类框架,可以有效地辨识出化学品混合物的危害,运用GHS在精细化工产品设计之初进行危害性辨识,根据风险程度调整设计配方,使用低危害性的化学品替代高危害性的成分,将混合物的整体风险控制在可接受的范围之内,以此实现对风险的源头管理。     

钢铁企业电力负荷预测建模研究

针对钢铁企业负荷波动特点,用分解及分类建模的思想,构造负荷预测模型。综合考虑各用电环节的用电特点、工况和工艺信息,分类建立模型,通过各用电环节预测结果叠加获取总负荷预测值。该模型运用静态预测和动态预测相结合的方法,在动态预测过程中充分考虑到实时工艺节奏和动态工况信息,使模型具有更好的适应性。实例表明,该预测模型能获得良好的预测效果。     

Albert盆地高孔渗储层非均质特征及分类研究

针对Albert盆地北区J油田高孔渗砂岩储层,在沉积微相精细划分基础上,运用物性测试、岩心描述、粒度分析、扫描电镜分析等技术,采用储层沉积学综合分析方法,进行储层非均质性及影响因素分析。结果表明:J油田层间及微相砂体内均存在较强非均质性,普遍杂基和局部高含量碳酸盐充填,以及粒度变化是其主要影响因素;进而结合毛管压力曲线特征、孔喉参数、流动指数及储层评价标准,将J油田高孔渗储层分为4类,1、2类属于非常好储层范围,物性为特高孔渗类,渗流能力强,3类为好储层,4类为中上等储层。以此建立储层分类地质模型。达到更加客观表征油田储层非均质性及提高油田采收率的目的,并奠定Albert盆地北区储层研究方法及评价基础。     

Forstner特征点分类和精确定位方法探讨

针对无人机影像空三处理对特征点定位精度要求高的问题,基于Forstner点特征提取算子探讨一种Forstner特征点分类和精确定位方法。首先利用一定的方法判定Forstner特征点的类别(即角点、圆点、中间点中的一种),然后根据该特征点的类别进行精确定位。通过对一组无人机数据进行实验,试验表明:相比Forstner算子的初步定位,精确定位的特征点精度显著提高。     

李群特征的深度学习算法研究（英文）

由于真实世界中的复杂数据经常能够被表示成李群结构,文章设计了一个以李群特征作为输入的深度网络架构,以此利用深度学习强大的特征表示能力来进行模式识别等任务。在构建李群深度神经网络的过程中,为了保证在优化时李群特征能够被限定在微分流形的结构上,提出了适用于李群特征的深度学习算法。算法在特征学习的过程中不仅能够保证不损失数据流形结构的信息,同时也限定了参数优化的假设空间。基于李群特征的深度学习算法在CIFAR-BW和MNIST数据集上,通过为静态图像设计辐条模型的李群特征,实验结果表明算法在较少次数的迭代下就能够收敛到较为理想的结果。     

面向空间管控的村庄分类方法与实践——以天津市武清区为例

针对村庄分类实践中普遍存在与空间管控需求衔接不紧密, 影响规划上下传导有效性的问题, 基于实用性原则, 探讨如何分步对接空间管控与用途管制要求。在此基础上, 结合村庄发展潜力评价结果以及多轮上下联动组织方式, 形成兼顾实际管控需求和村民发展诉求的村庄类型谱系与分类路径, 并以天津市武清区622个村庄为例开展实证研究。     

电场对中间神经元亚线性树突整合的调制作用

中间神经元的树突形态大多呈现出空间对称性分布,使得电场在其胞体附近引起的膜电位极化作用微弱,因此大多数研究认为电场对中间神经元难以产生调制作用.然而,电场在中间神经元末端的树突棘位置能够诱发较强的膜电压极化效应,远端的树突极化是否以及如何影响中间神经元的树突整合特性尚不十分清楚.为此本文针对分散和集中空间分布的AMPA类型突触输入,研究了电场对中间神经元全局和局部亚线性树突整合特性的调制作用.为了描述电场作用下树突对AMPA突触输入积分的潜在规律,首先建立了描述中间神经元输入-输出关系的简化电路模型,此模型具有多个被动树突分支且以不均匀细胞外膜电势表征电场诱发的极化效应;其次,基于奇异摄动理论分析了电场调节下的亚线性树突整合的动力学特性,推导出了可描述局部和全局树突整合的阈下输入-输出关系的渐近解析表达式.理论分析结果表明,电场通过改变AMPA突触输入的驱动力调节中间神经元局部以及全局亚线性树突整合特性,调制效应依赖于电场对远端树突的极化程度.相比于局部树突整合,电场对全局树突整合调制更敏感.最后,利用电场作用下具有真实树突形态的海马CA1区中间神经元模型仿真验证了理论分析结果.     

基于声波的物联网设备高效密钥提取方案

基于声波的密钥协商被证明在无线通信网络中满足物理层安全.但是,在无人工辅助的前提下,基于声波的密钥协商存在难以确保高的比特生成率和低的比特不匹配率等问题.本方案采用A律13折线量化算法,利用窗函数优化量化比特,并结合极化码纠错的信息调和算法,提出基于声波的高效密钥提取方案.在办公环境下,利用物联网设备测试了方案的有效性...     

基于卷积神经网络的海面目标全极化高分辨距离像识别技术

针对雷达目标全极化高分辨距离像(high resolution range profile, HRRP)提取可分性特征时, 利用全部距离单元作为度量尺度无法保留各距离单元具体特征的问题, 在综合利用4个极化通道的舰船目标HRRP信息时选择单个距离单元作为度量尺度。在此基础上, 提出基于Pauli分解, H、α、A、α₁分解和结构相似性参数的特征提取方法对目标极化散射矩阵进行特征提取, 并将提取得到的特征与基于卷积神经网络(convolutional neural network, CNN)的舰船目标HRRP识别方法结合, 利用改进残差结构CNN从极化特征中进一步提取深层可分性特征进行目标识别。实验结果表明, 所提方法能够保留目标全极化HRRP更多特征, 提高目标识别的准确率。     

基于Adaboost的作战目标属性判定方法

传统作战目标属性判定主要采用指挥员现场判断的定性方法, 具有一定的主观性, 并且由于缺乏较为成熟固定的算法而难以纳入指挥平台中。针对此问题, 结合作战目标属性判定关键影响因素分析, 提出一种基于自适应提升(adaptive boosting, Adaboost)的作战目标属性判定方法。首先, 针对目标有效面积、目标配置区域面积等关键因素, 采用单层决策树算法构建弱分类器。然后, 利用Adaboost对弱分类器进行加权组合, 形成作战目标属性判定的强分类模型。最后, 进行了示例分析, 并与决策树、支持向量机和人工神经网络3种属性判定方法进行对比仿真实验, 证明了所提方法的正确性和优越性。