Effect of Filament Pre-tension on Sirofil Yarn Properties

The mechanism of filament pre-tension is put forward. The effect of filament pre-tension on Sirofil composite yam properties, such as hairiness and structural stability, are theoretically and experimentally studied. The theoretical analysis agrees well with the experimental results. The present theory shows that suitable choice of filament pre-tension can enormously reduce hairiness and improve structural stability of Sirofil composite yarn.     

关于弱内射模几个性质的研究

弱内射模是同调代数研究的重要模类,利用整环上R-模的W1-覆盖探讨了弱内射模的一些性质.     

多值算子与拟预解

设Ｘ为Ｂａｎａｃｈ空间,Ω为复数域的开子集．文中给出了Ω上的拟预解Ｒ（·）（Ｂ（Ｘ））可由Ｘ上的一个多值线性算子Ａ定义的条件：ｘ∈Ｘ,存在｛λｎ｝Ω,使Ｗ－ｌｉｍｎ→∞Ｒ（λｎ）ｘ＝０;并证明了谱关系：复数λ∈σ（Ａ）当且仅当（μ－λ）－１∈σ（Ｒ（μ;Ａ））（λ≠μ）对多值算子及由其定义的拟预解也成立．     

Banach空间中含H-增生算子的广义集值拟变分包含的迭代算法

引入和研究了Banach空间中含H-增生算子的广义集值拟变分包含.利用H-增生算子生成的预解算子,给出了一类广义集值拟变分包含的迭代算法,并证明了该迭代算法的强收敛性.文中所得到的结果改进和推广了文献[7-10]中的相关结果.     

基于波峰因子衰减与数字预失真的功放线性化技术

研究了峰均比抑制技术和数字预失真的联合设计及加入峰均比抑制技术后的增益控制问题,并给出了相应的峰值限幅算法和自适应的预失真算法,提出了平均功率调整和增益控制的结构和实现方法.仿真结果表明联合设计方案能够很好地补偿功放的非线性和记忆性,而且信号的带内失真得到了明显的改善,带外扩散也得到相应地抑制.     

沸腾颗粒层除尘器内设预荷电装置的初步研究

对沸滕颗粒层除尘器内设预荷电装置,让待净化的尘粒首先荷电（称为预荷电）然后再通过滤层进行分离的净化方式进行了理论分析,分析显示设预荷电装置可改进除尘器的性能,为证实理论分析的正确性及该技术的实用性,还介绍了该技术的试用情况。     

基于XLNet的中文文本情感分析

针对Word2vec等静态词向量模型不能解决一词多义、传统情感分析模型不能同时提取文本的全局和局部信息问题,本文提出了结合广义自回归预训练语言模型(XLNet)的文本情感分析模型。首先利用XLNet表示文本特征,然后利用卷积神经网络提取文本向量的局部特征,再利用双向门控循环单元提取文本的更深层次上下文信息,最后引入注意力机制,根据特征的重要性赋予特征不同的权重,并进行文本情感极性分析。仿真实验中将本文模型与5种常用的情感分析模型进行对比,验证了模型的准确率和优越性。     

空间相关MIMO广播信道中的预编码技术

针对多天线多用户下行链路中,采用块对角化预编码进行多路并行传输时,用户端的检测复杂度比较高,且系统的和速率性能将受到信道空间相关性严重影响的问题,提出了一种将发送端迫零预编码与接收端天线选择进行联合的预编码方案,降低了接收复杂度.分析了该方案在最佳信道选择下的性能,并引入了一种简单的次优天线选择算法.仿真表明,提出的预编码方案在和速率性能上明显优于原迫零预编码,且在高信噪比情况下,几乎获得了与块对角化预编码相同的和速率.     

一种基于词嵌入模型和卷积神经网络的简化文本分类方法

自然语言处理（Natural Language Processing,NLP）可分为自然语言理解（Natural Language Understanding,NLU）和自然语言生成（Natural Language Generation,NLG）两大类子任务。预训练语言模型和神经语言模型在自然语言理解的整个流程中占据重要地位。本文梳理了文本预训练语言模型的发展流程,并分析当下主流的预训练语言模型以及深度学习模型的不足,基于经典预训练语言模型（Word2Vec）和卷积神经网络分类模型（CNN）,提出一种简化的文本分类模型（Simplified CNN）,在多个情感分析（Sentiment Analysis,SA）基准数据集上进行实验测试,实验结果表明,在文本分类任务上,简单网络可以得到与复杂网络相媲美的分类效果并且运行时间优于复杂网络,与传统的分类模型相比较,在分类效果上表现出了优势。