自具微孔聚酰亚胺膜材料的研究进展

膜分离技术在现代的环境、能源、工业、医疗、水处理等领域都具有非常大的应用前景,聚酰亚胺是众多聚合物膜材料中性能和化学性质都比较优良的材料,自具微孔聚酰亚胺是近十几年出现的新型膜材料,具有优异的结构稳定性及分离性能,对CO₂/N₂,CO₂/CH₄,H₂/N₂,O₂/N₂等分离体系都有很大的提升．综述了应用于聚酰亚胺膜中常见的3种结构：Sprio双环中心结构、桥接双环结构以及Iptycene结构,并对其进行了具体分析,对该类聚合物研究方向做了一定的展望．     

黄河流域（陕西段）景观生态风险评价及预测分析

【目的】以可持续发展为准则,分析黄河流域的景观生态风险时空演变特征,为黄河流域的高质量发展提供科学依据。【方法】基于1990—2020年土地利用数据计算景观生态风险指数。进行空间自相关分析,在空间上探索景观生态风险指数与驱动因素的空间相关性。并设定自然发展、耕地保护、生态保护和可持续发展四个情景,采用Markov-Flus模型对未来景观生态风险指数进行预测。【结果】研究区内,榆林市、渭南市以及咸阳市北部的景观风险较高,近年来高风险区、较高风险区逐渐收缩;整体的分布呈现“南冷北热”的特点。【结论】不同区域的景观生态风险收缩或扩张情况不同,应以可持续发展为准则,在不同地区采取不同的保护措施。     

选择性自噬在病原体感染中的作用研究进展

自噬(autophagy)是一种高度保守的物质降解和循环利用的生理过程.该过程以前被定义为饥饿条件下诱导的非选择性过程,随着自噬相关研究的不断深入和发展,研究人员发现,自噬既可以是非选择性过程,也可以是选择性过程.选择性自噬(selective autophagy)是指哺乳动物细胞选择性靶向降解损伤或多余细胞器、蛋白聚集体以及细胞内入侵病原体的自噬过程,对维持细胞内稳态和细胞抵御病原体感染至关重要.近年来,研究发现,一些病原体可通过多种巧妙的策略操纵宿主细胞选择性自噬过程,从而调控宿主细胞的免疫应答,有利于病原体存活和持续性感染.本文对近年来线粒体自噬、内质网自噬和异源自噬等选择性自噬在病原体感染中的作用研究进行综述,旨在为相关研究提供参考.     

自复位学校建筑抗震韧性区域评估用数字孪生模型

在区域层面上对具有自复位模块结构的学校建筑进行抗震损伤和恢复力评估研究,建立了一个基于Python语言的从结构非线性分析到损伤程度可视化演示用的数字孪生模型。Python语言也是目前通用于机器学习模型训练的编程语言,方便在该数字孪生模型中引入人工智能模型来代替结构仿真计算,通过使用实时监测地震动和结构响应数据结合人工智能模型进行区域灾害响应和功能恢复快速评估。结构损伤和恢复力分析结果（如不同地震下修复成本、修复时间、不可修复的概率等指标）通过生成shapefile在地理信息系统（GIS）软件中进行三维可视化,从而对采用自复位模块结构的学校建筑结构群在区域范围上进行抗震韧性定量评估。该模型的计算模块包括区域建筑结构清单生成、简化数值模型建立、地震响应非线性分析、结构响应参数生成、建筑结构易损部件定义、地震损失概率模型评估以及区域灾害损失的结果输出。这里的基于概率模型的学校建筑结构地震损失评估采用了FEMA P-58方法,并使用了Pelicun软件包进行计算。以旧金山湾区近2 000栋学校建筑作为案例,对假定使用偏心支撑框架自复位结构作为抗震结构体系的学校建筑群进行了抗震韧性评估,研究了通...     

数字孪生驱动的小样本旋转机械剩余寿命预测

针对小样本数据下旋转机械剩余使用寿命难以准确预测的问题,提出一种数字孪生驱动的旋转机械健康因子构建及剩余使用寿命预测方法。通过融合卷积自编码器与Weibull分布构建数据驱动的旋转机械退化行为模型。使用旋转机械早期退化信号训练卷积自编码器,使其学习到早期退化信号模式;使用卷积自编码器对测试信号进行重构并计算重构误差,将重构误差映射到[0,1]区间作为健康因子,根据健康因子拟合Weibull可靠度函数并预测旋转机械剩余使用寿命;在旋转机械持续运行过程中基于实时数据重复上述步骤,实现旋转机械剩余寿命的实时更新。在PHM2012公开数据集上的测试结果表明：所提方法可以在不需要末期退化信号的前提下预测轴承剩余寿命,预测结果明显高于现有报道的各类方法,均方根误差和平均绝对百分比误差分别为938.8 s与42.62%。在巴斯夫新材料有限公司某自动化测试系统数字孪生预测性维护平台的应用案例表明,所提方法具有实际工业场景下小样本旋转机械寿命预测的可行性。     

基于图自监督对比学习的社交媒体谣言检测

网络社交媒体的快速发展提供了便捷的信息获取方式,但也滋生了谣言和虚假新闻,现有的谣言检测模型在有标注数据充足时能有效解决分类问题,然而谣言可用的标注数据有限,各种针对谣言特点精心设计的模型倾向于过拟合,同时,现有模型的鲁棒性不足,谣言传播者恶意破坏谣言传播结构会使模型出现分类错误.针对以上问题,采用自监督的图对比学习方法,对原始谣言传播图进行不同方式的数据增强来模拟对原图的扰动,建立自监督对比学习任务,使图编码器捕获谣言更趋本质的特征,缓解了过拟合,提高了模型的鲁棒性与泛化性能.在来源于主流社交媒体平台的三个公开数据集Twitter15,Twitter16和PHEME上进行了对比实验,实验结果显示,提出的模型的准确率比基准模型分别提高3.4%,1.8%和1.2%,证实了图自监督对比学习方法在谣言检测任务上的有效性.     

考虑双重不确定的目标导向型双属性用户均衡

基于风险规避出行时间和出行成本两种影响出行者路径选择的要素,提出了考虑双重不确定的目标导向型双属性用户均衡。采用高斯Copula刻画风险规避出行时间与出行成本的随机相关性,结合出行者风险规避出行时间和出行成本的实现概率刻画期望目标实现概率与目标间的相互作用,将所提出的用户均衡表示为变分不等式问题,采用基于路径的连续平均算法对其求解,数值实验验证了算法有效性。实验结果表明,出行者风险规避特性和目标导向特性会对交通网络均衡流量产生一致或相反影响,部分路径流量的改变可达16.4%。     

基于跳跃、跳跃强度和机制转换的股票市场波动建模及其预测研究

将跳跃及其跳跃强度引入到异质自回归(heterogeneous autoregressive, HAR)模型中,并在此基础上进一步嵌入固定转移概率矩阵的马尔可夫状态转换机制模型,构建出系列新的波动预测模型.运用系列统计检验手段(如模型置信度检验、样本外R²检验、趋势检验)评估上述预测模型对中国股票市场波动的预测能力,样本外的实证结果表明:1)与基准模型相比,结合马尔可夫机制转换的模型具有更好的预测表现; 2)相比其他预测模型,包含跳跃、跳跃强度以及马尔可夫机制转换的模型(MS-HAR-TJI)具有更高的预测精度; 3)在新冠疫情爆发期以及高波动时期, MS-HAR-TJI模型对中国股票市场波动仍具有很强的预测能力.     

基于卷积ADMM网络的高效结构化稀疏ISAR成像方法

结构化稀疏逆合成孔径雷达(inverse synthetic aperture radar, ISAR)成像是空间态势感知与目标识别的重要手段。该问题可通过压缩感知(compressive sensing, CS)方法解决。目前, 许多传统CS方法仍存在运算效率低、参数适应性不强等问题。针对该问题, 本文提出了一种基于卷积交替方向乘子法网络(convolutional alternating direction method of multipliers network, C-ADMMN)的结构化稀疏ISAR成像方法。利用深度展开方法, 结合传统结构化稀疏ISAR成像模型, 构建C-ADMMN网络。通过监督学习, C-ADMMN仅需约10层网络便可达到传统方法上百次迭代的效果, 具有较高的运算效率且对不同目标具有一定适应性。基于仿真与实测数据的实验结果验证了网络的高效性与参数适应性。     

Alpha稳定分布噪声下基于特征值之差频谱感知算法

针对基于特征值的谱感知算法在脉冲噪声的环境下感知性能不佳的问题,分析矩阵全部的特征值,引入矩阵特征值的几何均值,提出了基于分数低阶协方差矩阵的最大特征值与特征值几何均值之差(difference between maximum eigenvalue and geometric mean of eigenvalue, DMGM)的频谱感知算法。选择了Alpha稳定分布噪声模拟脉冲噪声环境,理论分析与仿真实验结果表明,在不增加算法复杂度的前提下,DMGM算法与其他算法相比,更适用于脉冲噪声环境,在低信噪比条件下具有更好的感知性能。