轴测图中的对称现象及其应用

对正等测、二测和三测图的对称现象进行了探讨和分析,得出了三种轴测图中图形对称存在的条件.并列举了应用这些条件绘制对称图形的实例.     

He—Ne激光器的非稳定性研究：一个简化理论模型

本文从简化的激光方程出发，引入周期调制，建立－理论模型。数值计算表明，在某一参数范围内，发现方程中存在倍周期分周序列至混沌，理论与实验符合较好。     

线图求根

给定线图G,如何求得根图H,使G=L(H)?本文就无向图和有向图作出解答.     

模糊集合论在矿山控制网布设和图纸质量评定中的应用

应用模糊数学方法研究和处理矿山测量中存在的具有“模糊性”的问题。例如控制网布设方案及矿山测量图纸质量的综合评判。它能更准确地描述用精确数学模型难以描述的问题。     

正交双向网格图及方向优先算法

目前建筑工程的工程量计算基本上采取的是“统筹法”和“公式法”,这两种方法对工程的概算、预算的精确度及工作效率都产生了那样或这样的问题。本文从建筑图的正向分析开始,进而讨论了工程量计算模型的定义,在定义基础上给出了轴线的方向函数以及方向优先算法和具体实现过程。     

基于多粒度的异质图表示

异质图表示学习旨在将图中的语义信息和异质的结构信息嵌入到低维向量空间中。目前大多数的异质图表示学习方法主要通过基于元路径、元图和网络模式的采样以保留图中同类型节点间的单粒度局部结构,忽略了现实世界中复杂异质图具有的丰富的层次结构。商空间理论中的多粒度思想可以在不同粒度内捕获节点间的潜在联系。因此,为在异质图表示中有效地保留层次结构的信息,文章提出一个基于多粒度的异质图表示方法（Heterogeneous Graph Representations Based on Multi-granularity,HeMug）。该方法首先基于不同元路径构建多个同质子图,并利用多粒度的粗化思想,将每个同质子图分别粗化形成多个多粒度子网络,以保留异质图中同类型节点在给定元路径下的层次结构。其次,利用多粒度的细化思想,将每个多粒度子网络最粗层通过现有表示学习方法获得的节点表示逐层细化,以得到节点在每个多粒度子网络下的表示。最后,设计注意力机制以融合节点在不同元路径对应的多粒度子网络下的表示。在四个真实数据集上的实验结果表明,与对比算法相比,提出的HeMug获得了更有效的节点表示。     

边界层对粗糙单裂隙溶质运移影响试验

为探究非费克(non-Fickian)运移表现出的峰值提前到达和拖尾等现象,开展了粗糙单裂隙溶质运移试验,总结了粗糙单裂隙中溶质运移特征及运移机理,结合边界层理论对峰值提前到达和拖尾现象进行了分析和解释。结果表明：峰值时间和拖尾时间与边界层厚度之间存在较好的线性相关关系;边界层对裂隙介质溶质运移有较为显著影响,即水流速度越小,边界层厚度越大,滞留在边界层内部的溶质越多,溶质获取率越低;粗糙单裂隙中溶质穿透曲线的峰值提前和拖尾现象是由裂隙中心处以惯性力主导的主流区和裂隙壁面以黏性力主导的边界层区共同作用造成的,其中峰值时间主要由主流区的对流因素控制,而边界层区域的存在对拖尾时间影响较大。     

基于改进Mask R-CNN的露天矿边坡裂隙智能检测算法

为了预防因露天矿边坡表面恶化而产生节理、裂隙或断裂等破坏边坡完整性所引发的安全事故,同时解决传统图像处理算法以及经典的深度学习模型直接应用于露天矿边坡裂隙检测效果不甚理想的问题,提出了一种基于改进的Mask R-CNN的露天矿边坡裂隙智能检测算法,运用了Mask R-CNN在目标检测、语义分割以及目标定位方面的集成性特点,改进了其在掩膜分支的边缘不清晰以及误检等缺点,构建了一种针对露天矿边坡裂隙图像的检测分割框架。该方法在掩膜分割分支引入了空洞卷积神经网络以及分类分割迭代上采样操作,能够解决边坡裂隙分割边缘粗糙的问题,实验结果表明,与传统的裂隙分割算法相比,该算法具有更高的识别精度以及更好的分割效果。     

基于梯度加权类激活热力图的卷积神经网络故障诊断模型鲁棒性分析

深度学习近年来在故障诊断领域受到广泛应用,但基于深度学习的故障诊断模型缺乏工程上的物理解释性,难以保证其故障诊断结果的稳定性。以轴承为例,建立了以小波时频图像为故障诊断依据的卷积神经网络模型(convolutional neural network, CNN),提出了一种基于梯度加权类激活热力图(gradient-weighted class activation map, Grad-CAM)的网络模型鲁棒性分析方法,并利用美国凯斯西储大学(Case Western Reserve University, CWRU)轴承数据集进行验证。首先,将故障直径轴承数据以不同方式混合并训练大、小多个模型。其次,利用Grad-CAM方法,建立时频区域与故障模式之间的联系。最后,利用其他工况下的轴承故障数据,以及含噪数据进行测试,并根据结果结合模型最注重的时频区域进行分析。结果表明,基于深度学习的轴承故障诊断模型在参数较少时更加注重低频区域,并能使其具有更好的鲁棒性。