刚体的惯量主轴和主转动惯量

本文通过矩阵和坐标变换给出了求刚体对任一点的惯量主轴及主转动惯量的一般方法，从理论上证明刚体对任一点的惯量主轴的存在性，并讨论了刚体的对称性与惯量主轴的关系。     

WindoWs操作系统主引导扇区程序剖析

通过对操作系统启动过程的深入研究，在WINDOWS98 DOS状态下，对当前大容量硬盘主引导扇区的引导过程进行了全面的剖析，导出扩展INT 13H读取大容量硬盘逻辑扇区的方法，这将对大容量硬盘的管理与维护十分有利。     

主成份分析法评价功能浅析

本文针对许多文献作者运用主成份分析法进行综合评价的情况，通过分析主成份分析的理论及综合评价的特点，论述了主成份分析法的评价功能在实现中较难恰当地发挥作用，应在使用中注意，以免滥用。     

小样本参数估计算法及其应用

本文简要介绍了Minimax法和MSAR法对小样本数据的研究,随之重点介绍了1种实用的新算法IMSAR法及其应用。该法是通过变权松弛最小二乘法,确定适当的权因子来实现的。它克服了MSAR法的运算量随样本数据量增加而显著增加的突出缺点,仿真结果表明:IMSAR法具有较强的抗干扰能力,可适应于噪声分布未知的情况。最后,本文将IMSAR法应用于转炉炼钢动态模型及药物房室模型的建立,收到了令人满意的效果。     

用于高维时序数据预测的非同步尺度主成分分析

针对时间序列数据预测过程中可能面对高维或超高维的预测变量,同时考虑变量的时序特征及预测的非同步性,提出用于时序数据预测的非同步尺度主成分分析方法。首先构建单个预测变量和被预测变量的非同步线性回归,通过可决系数选取单变量的最佳滞后阶数,并将回归系数赋权与相应的预测变量得到赋权预测变量,并通过主成分分析对赋权预测变量降维,即非同步尺度主成分分析。将该方法用于消费者物价指数增长率的预测,结果表明经非同步尺度主成分分析降维的预测精度高于传统降维预测的方法。     

新型冠状病毒主蛋白酶天然产物抑制剂的筛选

为寻找新型冠状病毒主蛋白酶天然产物抑制剂,本文以SARS-CoV-2主蛋白酶为研究对象,通过计算机辅助药物筛选方法初步筛选出16个潜在抑制剂并进行体外酶活测试.其中,野黄岑素对SARS-CoV-2主蛋白酶的IC50为（10.79 ± 2.116 ） μmol/L,没食子儿茶素没食子酸酯抑制SARS-CoV-2主蛋白酶的IC50为（2.104 ± 0.346） μmol/L.最后,将两种天然产物与主蛋白酶进行分子动力学模拟发现没食子儿茶素没食子酸酯和野黄岑素与新型冠状病毒主蛋白酶结合时的复合物RMSD都在0.22 ?附近,说明两个天然产物与新型冠状病毒主蛋白酶结合较为稳定,可以作为新型冠状病毒主蛋白酶的抑制剂或先导化合物.     

南水北调东线工程调水期洪泽湖水质变化规律分析

为了解南水北调东线工程调水期间洪泽湖水质变化,基于2013—2020年洪泽湖调水期水质监测数据,采用Daniel趋势检验分析水质年变化趋势,通过空间插值得出各湖区水质分布规律,并进一步用主成分分析法分析水质主要污染类型。结果表明：2013—2020年洪泽湖调水期水质在合格至轻度污染之间,TP和TN为主要超标因子;时间上水质有变好趋势,空间上过水区水质最差,但有转好趋势,而成子湖区和溧河洼区有所恶化;污染类型以富营养化污染为主,氮磷营养盐影响较大;水质污染以入湖河流输入和建设用地增加人类活动的污染为主要来源,还伴有偶发污染事故;时间上洪泽湖对东线输水的综合水质有改善趋势,建议进一步加强相关污染防治工作,保护洪泽湖水环境,保障南水北调东线工程输水水质安全。     

基于改进RPN的孪生小样本电力目标检测

为了解决当前电力系统巡检难度大、效率低、数据不足以支撑大规模训练的问题,提出一种基于孪生网络的小样本检测方法。首先,在Faster RCNN(faster region convolutional neural network)目标识别算法的框架下,搭建支持图片和查询图片共享的孪生网络模型;然后,利用改进的RPN(region proposal network)模块产生更高质量的proposals;最后,在检测头上对支持图片和查询图片的RoI(region of interest)进行关联匹配。结果表明,将算法应用于自主构建的EPD(electric power detection)数据集,在仅利用10张支持图片的情况下,就能实现对电力背景下鸟巢异物和绝缘子相关类别的检测,检测指标mAP达到18.92%。与其他算法相比,应用于电力行业目标检测的孪生网络小样本模型,在极端小样本情况下性能优良,同时具有更加轻量化的优势,可为电力检测新方法研究提供参考。     

基于图像去噪和图像生成的对抗样本检测方法

针对现有对抗样本检测方法存在检测准确率低和训练收敛速度慢等问题,提出一种基于图像去噪技术和图像生成技术实现的对抗样本检测方法.该检测方法将对抗样本检测问题转换为图像分类问题,无须事先得知被攻击模型的结构和参数,仅使用图像的语义信息和分类标签信息即可判定图像是否为对抗样本.首先,采用基于swin-transformer和vision-transformer实现的移动窗口式掩码自编码器去除图像中的对抗性噪声,还原图像的语义信息.然后,使用基于带有梯度惩罚的条件生成式对抗网络实现的图像生成部分根据图像分类标签信息生成图像.最后,将前两阶段输出的图像输入卷积神经网络进行分类,通过对比完成去噪的图像和生成图像的分类结果一致性判定检测图像是否为对抗样本.在MNIST、GTSRB和CIAFAR-10数据集上的实验结果表明,相比于传统检测方法,本文提出的对抗样本检测方法的平均检测准确率提高6%~36%,F1分数提高6%~37%,训练收敛耗时缩减27%~83%,存在一定优势.     

运用主成分分析和深度神经网络预测钢包炉合金元素收得率的研究

钢包炉（ladle furnace,LF）精炼的核心任务之一是进行钢水合金化过程,以保证钢包到达连铸平台后满足钢水成分要求。钢水合金化也是较为复杂的物理化学反应过程,其不仅对钢水温度有影响,而且对钢水质量、合金料消耗量均有影响。因此,实现LF精炼过程中合金元素收得率的精准预测具有重要意义。本研究首先采用主成分分析法（principal component analysis,PCA）对模型输入变量进行处理,用于简化实际生产数据结构;然后,融合SGDM算法和L2正则化方法,构建了深度神经网络（deep neural network,DNN）;最后,采用主成分分析和深度神经网络相结合的方法,建立了合金元素收得率预测模型。结果表明,Si元素收得率命中率在±1%, ±3%和 ±5%误差范围内分别为54.0%、93.8%和98.8%;Mn元素收得率命中率在±1%, ±2%和 ±3%误差范围内分别为77.0%、96.3%和99.5%。此外,PCA–DNN模型的预测精度优于参考炉次法、多元线性回归模型、改进BP神经网络模型和DNN模型,有助于实现钢水成分的“窄窗口”控制。本研究中合金元素收得率预测模型的建立,也可为LF智能精炼合金化控制模型的开发提供支撑。