金家渠煤矿排水体系构建及净化处理工艺应用

金家渠煤矿水文赋存条件复杂,矿井正常涌水量590 m~3/h,最大涌水量725.76 m~3/h,文章在水文勘查基础上,通过对矿井充水方式、涌水量的构成及大小进行科学分析,合理确定了矿井主排水系统及设备、+690 m水平辅助排水系统及设备、13采区集中排水巷的立体式排水系统;矿井最大排水能力1038 m~3/h,排水系统整体满足矿井安全生产需要;根据矿井涌水量的大小,在地面建造矿井水处理系统,矿井水处理能力达到1200 m~3/h,深度处理规模达到100 m~3/h,日处理量1680 m~3/d,指标均可控,COD控制在2.2 mg/L～12.83 mg/L,氨氮控制在0.9 mg/L～1 mg/L,悬浮物控制在2.4 mg/L～9.54NTU,达到矿井水排放水质标准。     

声音事件检测综述

声音事件检测技术能够识别出一个音频段中存在的事件类别并标注出各事件的起止时间，在智能城市、医疗监控、野生动物保护等应用场景有巨大潜力，是机器听觉领域的一个重要研究课题。本文从监督学习和半监督学习2个方面对声音事件检测方法进行综述，汇总和分析现有研究中使用的特征、检测模型及其性能。对于监督学习，重点介绍机器学习方法和深度学习方法。对于半监督学习，总结基于均值教师、协同训练、多尺度卷积和注意力机制等4种有效方法。最后，介绍常用数据集和评价指标，并讨论未来可能的研究方向，包括声音分离预处理、合成数据和真实数据域适应、自注意力模型优化、特征选择和融合、流式系统建模等问题。     

舰船目标识别技术研究进展

 舰船目标的有效识别和监控对维护海洋权益、保障海上航行安全至关重要。根据舰船目标信息的获取形式，从辐射噪声信号、雷达回波信号、卫星遥感图像、合成孔径雷达图像、红外图像、可见光图像几个舰船目标的主要信息获取来源出发，阐述了舰船目标识别技术的研究进展，总结分析了目前基于不同信号源的舰船目标识别方法普遍存在的具有高度任务相关性、计算成本高与运行时间长等问题。结合深度学习技术在语音识别、图像识别等领域的发展，建议将基于深度学习技术的典型目标识别方法Faster R-CNN及YOLO引入舰船目标识别领域，以研究鲁棒性更好、准确率更高、实时性更强的舰船目标识别方法。     

基于全卷积网络迁移学习的左心室内膜分割

为了避免过拟合现象，提出了基于全卷积网络迁移学习的左心室内膜分割方法.该方法在已用自然图像训练好的VGGNet模型的基础上对参数进行微调;其次，利用了心室内膜位于MRI图像中心处的先验信息作为选取准则来优化分割结果.将该方法对2009 MICCAI数据集的45个病例进行测试，其DICE指数、APD距离和GC率分别为0.91，1.73mm和97.81%.测试结果表明该方法对于心脏MRI图像的左心室内膜的分割结果较好，当引入一定的先验信息后可以优化测试结果.     

改进PINNs方法求解边界层对流占优扩散方程

针对物理信息神经网络(PINNs)在求解边界层附近存在剧烈梯度变化的对流占优扩散方程时无法得到足够精度的问题，本文提出一种具有参数渐进思想的神经网络求解方法。该方法首先近似大扩散参数方程的光滑解，然后逐步减小扩散参数并将大扩散参数下的网络最优参数作为小扩散参数神经网络的初始值进行训练，通过参数循环反复优化物理信息神经网络，提高神经网络的表征能力，从而提升物理信息神经网络逼近对流占优扩散问题的求解精度，最后获得小扩散参数的高精度奇异解。经过对本文方法与PINNs以及gPINNs方法在精度和收敛效率方面的对比分析表明，本文方法在未知边界层位置条件下，能够高效地近似对流占优扩散方程的大梯度解，实现10^-3量级的精度。同时，本文方法在收敛速度和稳定性方面比PINNs和gPINNs具有更好的优势和性能。     

基于深度加权的重力梯度数据联合相关成像反演

针对矿产勘查中相关成像反演存在的纵向分辨率较低的问题，提出了一种基于深度加权的重力梯度数据相关成像反演方法.通过联合多个重力梯度分量、引入基于先验信息的深度加权函数与地下空间分区加权等方法，提高反演的纵向空间分辨率.在数据试验中，利用立方体组合模型证实了提出的方法能够准确反演出目标体的空间位置，计算的密度数值范围与理论模型基本一致，且方法具有一定的抗噪能力.将反演应用于美国文顿盐丘地区的实测重力梯度数据，结果显示出的盖岩位置与已知地质资料相符，证明了本文方法具有可行性和实用性.     

基于引导对抗网络的人体深度图像修补方法

移动设备配备的小型深度相机采集到的人体深度图像存在严重的孔洞问题。针对该问题,提出基于深度学习的引导对抗网络。使用基于堆叠沙漏网络的引导器从RGB图像中提取人体部分分割特征和深度类别特征;在上述人体特征引导下,使用独特的生成器修复人体深度图像中的孔洞。为使结果更加逼真,加入判别器在网络训练过程中对生成器进行优化调整。实验结果显示,该方法在现有的人体数据集和小型深度相机采集的数据集上,都能很好解决孔洞问题,均取得比现有方法更好的效果。     

多输入混合深度学习网络的健康因子构建方法

工业大数据具有多类型、多维度的特点,单一类型的深度学习网络结构无法充分提取数据中包含的性能退化特征。针对上述问题,提出一种可同时融合处理一维时间序列数据和二维图像数据的多输入混合深度学习网络健康因子构建模型。根据输入数据类型特点搭建的混合深度学习网络包含时间特征提取层、空间特征提取层、融合层和全连接层。时间特征提取层主要由叠加的多个长短时记忆(long short-term memory, LSTM)网络构成,用于提取一维时间序列数据中蕴含的时间特征。空间特征提取层主要由深度卷积神经网络(deep convolutional neural network, DCNN)构成,用于提取二维图像数据中的空间特征。融合层将时间特征与空间特征融合。最后,利用全连接层输出健康因子值。滚动轴承全寿命周期试验结果表明:本文提出的多输入混合深度学习网络的健康因子构建方法能够深度挖掘不同数据类型包含的性能退化信息,有效降低了性能退化曲线的离散性,有助于减小剩余寿命预测结果的不确定性,同时在一定程度上提高了单调性和趋势性,提高了剩余寿命预测精度。     

基于深度神经网络的口罩佩戴检测

深度神经网络在物体识别和分类中应用广泛,将其用于口罩佩戴检测,有利于提高新冠疫情防控管理工作效率.首先,收集佩戴口罩图片,将样本图片数据集扩充到12000张.然后用Pytorch搭建ResNet-34深度神经网络,经适当预处理,调整学习率大小和批数据量大小,网络在验证集上准确率为98.41％,在测试集上准确率为97.25％.该网络对单张图片的检测用时为0.103秒,拥有较高的检测准确率和效率,能够满足公共场所对口罩佩戴检测的应用需求.