我国历史记忆与族群认同问题研究述评

历史记忆与族群认同问题是学术界研究的热点问题之一。新时期以来,我国学者对历史记忆与族群认同作了一系列卓有成效的研究,其成果丰厚,成绩斐然。本文对这一历史时段的相关研究成果进行述评,以期为今后的研究提供些许借鉴和启示。     

急性应激对小鼠空间学习记忆功能及脑内GDNF表达的影响

目的：探讨急性应激对小鼠空间学习记忆功能的影响及其机制。方法：采用足底电击的方法建立急性应激模型小鼠,通过Morris水迷宫实验观察小鼠空间学习记忆功能的变化;并且测定小鼠海马和前脑皮层胶质细胞源性神经营养因子的表达。结果：与对照组小鼠相比,在水迷宫实验中,急性应激组小鼠空间学习记忆显著提高（P〈0.05）;脑内海马CA1区、CA3区、齿状回和前脑皮层GDNF的表达明显增强（P〈0.01）。结论：急性应激使小鼠空间学习记忆功能的提高可能与GDNF表达的上调密切相关。     

“记忆”工程下的高校校史馆建设浅谈

校史馆作为回顾学校办学历程、传扬校园文化精神、宣传学校办学成就的高校记忆的载体逐步受到高校管理者的重视,建设校史馆已经成为近年高校工作的一个热点。面对校史馆建设热潮,我们在深入了解了部分高校的校史馆建设以及建成后期的管理和运营状况后,发现在教育宣传功能的开发利用上,一些校史馆表现不尽如人意,没能达到建设前预计效果,管理的涣散和运营的疲软造成校史馆馆藏资源的浪费。究其原因,一部分是后期管理的软件不达标,一部分是前期建设的硬件不完善所致。后期的软件不达标可以通过严格管理规范来修正,但前期建设硬件不完善则很难改变,往往成为建成后管理运营成败的决定性因素。     

利用2DGRA-BiLSTM模型的日前光伏功率曲线预测方法

为了克服光伏发电固有的间断性和波动性对电网稳定性的负面影响,提出一种二维灰度关联分析-双向长短期记忆神经网络(two-dimensional grey relational analysis and bidirectional long short-term memory network, 2DGRA-BiLSTM)模型,用于实现日前光伏功率曲线预测,以更好指导电网调度.不同于以往的点预测,本研究将日功率曲线作为整体进行预测.首先用2DGRA实现最佳历史相似日数据的获取;其次,根据日功率曲线的波动性将总数据分为3类;最后,根据3种分类,分别训练3种BiLSTM模型对日功率曲线进行预测.所提出的预测模型通过沙漠知识澳大利亚太阳能中心历史气象和功率数据进行训练,并通过数值天气预报和功率数据进行测试.对比其他几种神经网络模型,实验表明所提出模型具有更好的综合预测性能,在晴空、轻度非晴空和重度非晴空条件下,决定系数(R²)分别为0.994、0.940和0.782.     

一种基于记忆LUT的多倍频程预失真方案

针对多载波无线通信系统中多倍频程功率放大器存在的强非线性失真与记忆效应失真问题,提出了一种基于记忆查找表的LUT+MP多倍频程预失真方案。方案模型由记忆查找表(LUT)和记忆多项式(MP)串联构成,采用间接学习法的LMS和RLS算法对模型参数训练辨识。仿真结果表明,针对维纳模型高功率放大器,在输出功率回退OBO=2.27 d B时,对Wiener模型功放的三阶互调失真改善达到了55.9 d B,五阶互调失真改善达到了44.5 d B。与现有的LUT+FIR和LUT+并联FIR预失真方案相比较,能带来更好的建模精度和线性化效果。同时,设计使用的学习算法简单实用,稳定性能好。     

基于LSTM-CAPF框架的岸桥起升减速箱轴承寿命预测方法

岸桥起升减速箱轴承的健康状况对港口生产安全具有重要意义.针对岸桥变工况的工作条件,提出一种起升减速箱轴承的剩余使用寿命(RUL)预测框架.首先,对工作载荷进行离散化,并确定工况边界.然后,利用长短时记忆(LSTM)网络模型预测载荷和相应的运行工况.其次,以维纳过程为基础,建立了考虑不同工况下退化率和跳变系数的状态退化函数.最后,利用工况激活粒子滤波(CAPF)方法预测轴承退化状态和RUL.采用NetCMAS系统采集的上海某港口起升减速箱轴承全寿命数据验证了所提出的预测框架.与其他3种预测模式比较表明,所提出的框架能够在变工况条件下获得更准确的退化状态和RUL预测.     

基于长短期记忆神经网络模型的空气质量预测

随着城市化和工业化的快速发展,空气污染问题日益突出,空气质量预测显得尤为重要。当前一些有代表性的研究对空气质量进行实时监测和预报,例如周广强等采用数值预报的方法对中国东部地区的空气质量进行分析,但其实验结果表明该方法难以预测非常重的污染;SANKAR等使用多元线性回归对空气质量进行预测,但其实验结果表明线性模型预测精度低、效率慢;PéREZ等使用统计方法对空气质量进行预测,实验结果证明统计方法的预测精度比较低;WANG等采用改进的BP神经网络建立了空气质量指数的预测模型,其实验验证了BP神经网络收敛速度慢、容易陷入局部最优解的问题;YANG等利用相邻网格的空气质量浓度效应,建立了基于随机森林的PM_(2.5)浓度预测模型,通过实验过程证明网格划分程序削弱了后续空气质量分析的质量和效率。这些方法都难以从时间角度建模,其中预测精度低是比较重要的问题。因为预测精度低可能会导致空气质量预测结果出现较大的误差。针对空气质量研究中预测精度低的问题,提出了基于长短期记忆单元(long short-term memory,LSTM)的神经网络模型。该模型使用MAPE,RMSE,R,IA和MAE等指标来检测LSTM神经网络与对比模型的预测性能。由于Delhi和Houston是空气污染程度比较严重的城市,所以使用的实验数据集来自Delhi的Punjabi Bagh监测站2014—2016年的空气质量数据和Houston的Harris County监测站2010—2016年的空气质量数据。LSTM神经网络与多元线性回归和回归模型(SVR)的比较结果表明,LSTM神经网络适应多个变量或多输入的时间序列预测问题,LSTM神经网络具有预测精度高、速度快和较强的鲁棒性等优点。     

带有非线性边界条件的弱衰退记忆型非自治经典反应扩散方程解的渐近性

考虑当内部非线性项和边界非线性项均以超临界指数增长并满足一定的平衡条件, 且外力项仅为平移有界而非平移紧时, 弱衰退记忆型非自治经典反应扩散方程解的渐近性态. 应用收缩函数方法和新的先验估计技术, 证明在拓扑空间L²(Ω)×L²_μ(R⁺;L²(Ω))上一致吸引子的存在性, 并给出其拓扑结构.     

基于长短期记忆网络的电力系统扰动后的功率缺额预测方法

电力系统在发生发电机脱落或发电机母线断线等严重的有功不平衡扰动时,会导致频率骤降。提出一种基于长短期记忆（long short-term memory,LSTM）网络的电力系统扰动后的功率缺额预测方法。该方法无需获取实时的系统惯量,仅根据负荷侧的信息就能预测出扰动后系统的功率缺额,有效改善了现有的功率缺额计算方法。在IEEE-39节点系统上的仿真结果表明,本方法得到的功率缺额预测值与真实值的相对误差较小,预测时间较短。与深度神经网络（deep neural networks,DNN）和支持向量回归（support vector regression,SVR）算法的预测结果进行比较,本方法能快速、准确地预测出扰动后系统的功率缺额,对保障系统的频率稳定具有重要意义。     

Robust stability and stabilization for uncertain discrete-time switched singular systems with time-varying delays

The problems of robust stability and stabilization via memoryless state feedback for a class of discrete-time switched singular systems with time-varying delays and linear fractional uncertainties are investigated. By constructing a novel switched Lyapunov–Krasovskii functional, a delay-dependent criterion for the unforced system to be regular, causal and uniformly asymptotically stable is established in terms of linear matrix inequalities (LMIs). An explicit expression for the desired memoryless state feedback stabilization controller is also given. The merits of the proposed criteria lie in their less conservativeness and relative simplicity, which are achieved by considering additionally useful terms (ignored in previous methods) when estimating the upper bound of the forward difference of the Lyapunov–Krasovskii functional and by avoiding utilizing any model augmentation transformation. Some numerical examples are provided to illustrate the validity of the proposed methods.