二氧化碳同位素高温转动配分函数研究

在5K～6000K温度范围内,分别采用了直和法和McDowell的解析式法计算了12C16O2,16O13C17O,17O13C17O,17O13C18O四种二氧化碳的同位素的转动配分函数,通过对两种方法所得的数据结果进行分析,在5K～3000K温度范围,两者结果符合得很好,而在3000K～6000K温度范围内,对我们讨论的分子来说,对转动配分函数的计算采用解析式法更为适用。     

与一类半乘法函数相关联矩阵的行列式的界

设f是算术函数,S={xl,x2,…,xn}是一个n元正整数集．(f[xi,xj])表示一个n阶方阵,它的i行j列处的元素为函数厂在[xi,xj]处的取值,其中[xi,xj]为xi和xi的最小公倍数．作者证明了对于某个算术函数类,若f是一个半乘法函数且1/f属于这个函数类,则矩阵(f[xi,xj])是半正定的,进而给出了其行列式的明确的下界和上界．若以f^(c)表示函数f的c重狄利克雷乘积,则矩阵1/f^(c)[xi,xj]也有类似的结论．     

基于褶积理论的深度域地震资料反演

近年来随着深度域地震资料的普及,为更好地利用这些地震资料来解决地下地质问题,提出了基于褶积理论的深度域地震资料反演。基于褶积理论的地震资料反演,子波与低频模型对反演结果具有十分重要的影响。通过制作人工合成记录与数值模拟研究,得到了深度域子波与时间域子波的关系,为基于褶积理论的深度域反演奠定了基础。将深度域反演应用于南海西部某油田,通过与该区的时间域地震资料反演对比,发现两种反演方法子波与低频模型都有差异。当时间域地震资料的采样间隔约为深度域地震资料采样间隔与层速度之比的两倍时,深度域地震资料的反演结果将优于时间域地震资料反演结果。     

基于深度学习的小样本流体机械故障诊断方法

主要开展了深度卷积生成对抗网络（DCGAN）在流体机械故障诊断方面的应用研究,建立了基于深度学习和迁移学习在小样本条件下的流体机械故障诊断方法.仿真实验结果表明：基于DCGAN生成的数据能涵盖原始数据的主要特征,可被用于对流体机械小样本故障诊断数据的扩充.结合迁移学习和深度学习的故障诊断方法,采用不同流体机械的运行数据对模型进行实验验证,结果表明：该模型解决了小样本训练中的过拟合问题,诊断准确率为98%~100%.     

融合中文字形和字义的字向量表示方法

字向量表示质量对中文文本处理方法有重要影响。目前,常用中文字向量表示方法Word2Vec、GloVe在很多任务中表现优异,但存在向量质量依赖训练数据集、稳定性差、没有考虑汉字整体字形结构所隐含的语义信息、没有利用字典包含的语言知识等问题。为了克服现有方法的不足,该文首先采用字形自编码器自动捕获汉字字形蕴含的语义,再利用字义自编码器抽取字典包含的稳定字义信息,提出了融合中文字形和字义的字向量的表示方法(Glyph and Meaning to Vector)。结果表明,GnM2Vec在近邻字计算、中文命名实体识别和中文分词三项任务中均取得了较好的结果,在命名实体识别中,F1值较GloVe、word2vec、G2Vec(基于字形向量)分别提高了2.25、0.05、0.3;在中文分词中,F1值分别提高了0.3、0.14、0.33,提高了字向量稳定性。     

一种环状给水管网流量优化分配方法

根据优化原则,建立了环状给水管网流量优化分配的数学模型。通过优化计算和分析表明：该方法不需假定流向、增加虚环,水力计算收敛速度快,可获得接近设计的流量,管网的流量分配满足管网可靠性的要求,并能循最短路径供水到用户。     

路堤沉降计算方法的适应性研究

根据不同参数下的分层总和法和非线性有限元法,借且沪宁高速公路昆山试验路段路基土的性状,计算了天然软土地基上路堤的沉降量,从而分析了不同参数睛的分层总和法对路堤填土荷载的适应性。     

Fourier-Laplace级数线性平均的局部化

研究了球面上借助于下三角陈Ａ确定的Ｆｏｕｒｉｅｒ－Ｌａｐｌａｃｅ级数性求和法的局部化问题,得到了Ｆｏｕｒｉｅｒ－Ｌａｐｌａｃｅ级数局部线性可和的充分条件。     

多芯片组件(MCM)互连瞬态响应研究的新方法

提出了一种新的多导体传输线的通用Ｔ型单元模型,并在此模型的基础上提出了一种新方法来研究ＭＣＭ互连线的瞬态响应。将非均匀,耦合,有耗多导体传输线分段,每段由一频域的ＧＴＣ模拟,根据ＧＴＣ的ＡＢＣＤ矩阵得出多导体的ＡＢＣＤ矩阵,接着将其麦克劳林展开式嵌入网络的修改节点方程并求得电路的频域冲击响应,利用指数衰减多项式（ＥＤＰＦ）求得时域冲击响应,最后利用递归卷积法求得任意激励下的电路响应。本算法的效率与     

基于PSO-CNN的LPI雷达波形识别算法

低截获概率(low probability of intercept, LPI)雷达作为一种具有强抗干扰能力及低截获特性的新型雷达, 对其精准高效识别已成为雷达对抗一方波形识别的难点。针对该方向主流分类器卷积神经网络(convolution neural network, CNN)的结构智能寻优问题, 提出一种基于粒子群优化(particle swarm optimization, PSO)算法-CNN的波形识别算法。该算法利用PSO的寻优特性, 可实现较大范围内自动搭建不定层数、不定层类别及层内参数的CNN结构并进行迭代寻优; 采用识别精度及网络复杂度相结合的衡量指标, 可根据需求调整两者比重以实现对精度与轻量性的选择。该算法获取的CNN结构实现了比9种经典CNN结构更好的LPI雷达波形识别效果, 同时避免了波形识别时人工选定CNN超参数缺乏智能性、客观性的问题, 提高了选用CNN结构的适配性及高效性。