浅谈当代中国陶艺创作思维的基本状态

90年代，中国陶艺创作面临着这样一个时代背景：中国艺术进入一种社会的转型期，在这一时期，中国艺术被不设防的带入一个这样的时空，技术理性、消费主义和权力话语共同控制的世界，一个后殖民生产和重建民族文化记忆的年代．中国艺术家所面临的是一个前现代、后工业社会，本土化、全球化、民族化、世界化等各种因素共时共存的复杂世界，以及这个世界特有的文化、社会问题。而值得中国陶艺界思考的问题是：我们的陶艺究竟应谊以什么样的文化品位面世，选择什么样的题材，以什么样的表达方式呈现?是以西方社会审美标准和兴趣为基础，还是以中国传统审美习惯为基础，或是以现实中国社会转型期复杂的审美心理为基础呢?     

基于卷积长短期记忆网络的泄漏监测算法研究

针对长距离输送管道的应用中,沿线参数无法逐点测量,采用显式数学模型的方法并不完全能获得全部准确数值,提出一种基于卷积长短期记忆网络(CNN-LSTM)的流量预测方法。该方法使用CNN网络拟合空间特征,LSTM探索时间特征。采用从实际运行管道中收集的真实数据训练出对应的深度学习模型,从而可根据沿线压力梯度预测流量,误差范围为0.3%～0.7%管道输量。将该模型用于泄漏监测,可以通过连续监测预测与实际流量之间的偏差发现管道泄漏。确定泄漏点位置时采用了基于相关压力点之间曲线距离算法。在实际管道上的现场测试表明,新算法不仅稳定有效,而且在管道设备运行过程中不会产生错误报警。     

基于LSTM的燃煤电厂NOx排量软测量

燃煤电厂煤粉在燃烧过程中产生的有害气体会对大气环境造成污染,NO_x为其中之一。针对燃煤电厂生产过程中NO_x排放量测量成本高、过程复杂等问题,考虑到机组运行数据具有的时间序列特征,提出一种基于长短期记忆神经网络的软测量方法对NO_x排放量进行预测。在分析NO_x产生机理的基础上,利用来自陕西省榆林市某电厂2019年1月至6月的实际生产数据,初步选取与NO_x排放量紧密相关的20个辅助变量;将数据进行预处理以消除粗大误差和随机误差,并利用灰色关联度分析进一步精选出15个辅助变量;将实际生产数据划分训练集和测试及对LSTM模型进行训练和测试,并将LSTM模型与BP神经网络模型和支持向量机模型的软测量结果比较。结果表明：基于LSTM的测量方法均方误差较基于BP神经网络与SVM的方法均有减小,说明该方法测量准确度较高,泛化能力更强。     

褪黑素对铝致痴呆模型大鼠空间学习记忆的影响

目的:观察褪黑素对铝致痴呆模型大鼠空间学习记忆的影响,探讨褪黑素改善铝致痴呆模型大鼠学习记忆功能障碍的作用.方法:用腹腔注射三氯化铝的方法建立大鼠学习记忆障碍模型,并用褪黑素进行实验性治疗.采用Morris水迷宫方法测试各组大鼠空间学习记忆能力的改变.结果:大鼠经多次训练后,各组大鼠逃避潜伏期均呈缩短趋势,此现象表明大鼠空间学习记忆能力随训练次数增加而有所增强.但是大鼠在染铝后40、45、50、55、60 d逃避潜伏期明显大于生理盐水对照组,两者比较差异有统计学意义(P<0.01);而用褪黑素治疗组在染铝后40、45、50、55、60d逃避潜伏期明显小于模型组,两者比较差异有统计学意义(P<0.01).在40、50、60 d的时间段中,褪黑素治疗组穿环系数明显大于痴呆模型组(P<0.01).结论:褪黑素对铝致痴呆模型大鼠学习记忆功能障碍有明显的改善作用.     

基于LSTM的四旋翼无人机轨迹预测方法

实时、准确、高效的轨迹预测是对四旋翼无人机进行有效管控的重要前提.基于深度学习理论,提出一种基于长短期记忆神经网络(LSTM)的四旋翼轨迹预测方法.在LSTM基础上,使学习速率自动调整,基于四旋翼无人机位置坐标与速度参量,对轨迹数据进行训练与预测,其经度、纬度、高度误差分别为6.04、6.45、2.33 m.分析历史时间步长对于预测精度的影响,结果表明历史学习步长为40～45时,LSTM预测结果最佳;比较不同预测步数的预测误差,结果表明一步预测、两步预测误差结果较好,三步预测误差显著增大.     

自我参照效应的国内外研究综述

自我参照效应指的是记忆材料与自我相联系时的记忆效果显著优于其他编码条件。自我参照效应在国外的研究主要集中在研究范式和心理机制上,并从儿童到老年都有涉及;国内的研究处于起步阶段,研究方法和被试群体都有一定的局限。目前,自我参照效应的研究同文化差异和认知研究相结合,成为一个新的研究趋势。     

“快速记忆”在英语词汇教学中的运用

“快速记忆”是掌握词汇,提高课堂效率最行之有效的科学方法。本文主要从五个方面分别论述了“快速记忆”的重要性、可行性,教师训练“快速记忆”的措施和学会运用“快速记忆”的枝巧,以及掌握词汇自身规律“快速记忆”单词。     

考虑地质分层约束的长短期记忆循环神经网络测井曲线重构

延长油田东部裸眼井区早期测井资料普遍只有自然电位（SP）、自然伽马（GR）及梯度电阻率(R2.5)三条曲线,因缺失声波（AC）、地层电阻率（RT）等测井曲线,难以满足精细油藏地质研究需求。东部裸眼井区开发时间长、单井产量低,重新测井缺乏可行性及经济性。采用长短期记忆循环神经网络(Long Short-Term Memory,LSTM)进行缺失测井曲线重构是一种经济有效方法,适用于地层测井序列数据。然而延长油田东部浅层油藏上覆黄土层段测井数据信号干扰大,直接应用模型精度较差。针对此问题,本文采用考虑地质分层约束的LSTM模型进行缺失测井曲线的重构,通过分层数据截取每口井长6层段测井数据作为样本数据,既保留了LSTM模型处理序列数据的优势,同时又避免了上覆黄土层测井数据对模型的干扰。利用裸眼井区完整测井数据进行模型训练优化和验证,讨论了考虑地质分层约束的LSTM测井曲线重构精度,结果表明通过引入地质分层约束,模型重构测井曲线精度更高。应用优化后模型实现裸眼井区50口仅有GR、SP、R2.5三条曲线数据井的AC、RT曲线重构,对50口井的142个射孔段进行二次解释,对比试油解释结论符合率达到89.4%,验证了该方法对测井曲线重构的实用性和有效性。     

融合多尺度CNN与双向LSTM的唐卡问句分类模型

当前大语言模型的兴起为自然语言处理、搜索引擎、生命科学研究等领域的研究者提供了新思路,但大语言模型存在资源消耗高、推理速度慢,难以在工业场景尤其是垂直领域应用等方面的缺点。针对这一问题,提出了一种多尺度CNN与双向LSTM融合的唐卡问句分类模型,本模型将数据的全局特征与局部特征进行融合实现唐卡问句分类任务,全局特征反映数据的本质特点,局部特征关注数据中易被忽视的部分,将二者以拼接的方式融合以丰富句子的特征表示。通过在Thangka数据集与THUCNews数据集上进行实验,结果表明,本模型相较于Bert模型在精确度上略优,在训练时间上缩短了1/20,运算推理时间缩短了1/3。在公开数据集上的实验表明,本模型在文本分类任务上也表现出了较好的适用性和有效性。