电液比例控制技术在快速深拉伸液压机中的应用

目前快速深拉伸液压机大多采用液压开关式控制系统,它存在着响应速度低、冲击振动大及拉伸件废品率高等问题。文章在比较了3种液压控制技术性能及特点的基础上,设计了一种快速深拉伸液压机的电液比例控制系统,使压边力的变化符合了拉伸工艺要求,滑块速度转变平稳,较好地解决了上述问题。     

基于加速引擎的防火墙部署方案

文章提出一种提升防火墙数据吞吐量的新方法,引入一台加速引擎的设备,通过实时学习模仿防火墙的安全策略,协同防火墙共同处理网络数据包,降低需要防火墙处理的数据包数量,克服了传统防火墙易于产生性能瓶颈的问题;同时基于Linux/netfilter实现了一个原型系统,并验证了该方案的有效性和可行性。     

诱导延时和数据包丢失的广义网络控制系统的建模及其控制

针对广义网络控制系统的延时和数据包丢失问题,在诱导延时时间小于和大于采样周期T、单包传输和多包传输数据包丢失情况下,建立广义网络控制系统的模型并进行相关控制器设计.最后探讨了使网络控制系统稳定所允许的最大延时界限,为实际控制工程中广义网络控制对象的研究提供了理论依据.     

基于YOLOv5s-FCS的钢材表面缺陷检测

针对传统钢材表面缺陷检测方法易出现误检、漏检和部分缺陷种类检测精度低等问题,本文设计了一种钢材表面缺陷网络YOLOv5s-FCS。首先本文引用了FReLU激活函数构建了卷积模块CBF,有效增强了网络的空间解析能力,优化了网络检测精度;其次,本文将坐标注意力机制嵌入到网络的neck部分来增强网络特征融合的能力,从而使网络能够提取更加丰富的特征信息;最后,将YOLOv5s的损失函数替换为SIoU loss,提高了预测框的回归精度。通过在NEU-DET数据集上进行消融实验、可视化对比实验,结果表明,YOLOv5s-FCS网络的mAP值达到了0.747,相较于原YOLOv5s网络提高了8.3%,相较于YOLOv3网络提高了11.8%,相较于YOLOXs网络提高了4.2%,相较于YOLOv6s提高了1.4%,验证了该方法的可行性、有效性。     

柴油超深度脱硫技术进展

降低柴油中硫含量对于提高汽车尾气排放质量从而保护环境具有十分重要的意义。生产超低硫柴油的技术主要有加氢脱硫(HDS)和非加氢脱硫两大方法。概述了深度加氢脱硫的机理和需要解决的关键问题。柴油的深度加氢脱硫需要有效分解馏分油中的4,6-二苯并噻吩(4,6-DMDBT)等难脱除的化合物。提出了研制高活性深度HDS催化剂的思路和途径并介绍了近年国内外柴油深度加氢脱硫研究的成果。此外对非加氢脱硫技术中的吸附法、氧化法和生物技术深度脱硫的研究近况也做了介绍。加氢方法和非加氢方法的有机结合是十分有前途的生产超低硫柴油的手段。     

地应力测量非弹性应变恢复法在某金属矿的应用

为获得某金属矿深部岩体地应力分布特征,采用非弹性应变恢复法,选取该矿同一勘探线附近距地表埋深615 m、665 m、715 m三个水平进行现场地应力测量。通过分析3个水平各测点地应力测量结果,得到该矿区地应力分布规律。该矿区最大主应力和最小主应力均为近水平主应力,中间主应力为近垂向的应力;3个水平的最大水平主应力方向基本一致,方位角为101°～130°。主应力的大小随深度呈线性增长。近水平应力大于近垂向应力,表明该矿浅部地壳应力占主导地位的是水平构造应力。两个相邻样品的非弹性应变恢复法地应力测量值平均差系数最大为8.33%,表明其结果具有较好的一致性,验证了非弹性应变恢复法的可靠性。     

基于改进的深度学习网络的SAR图像瞬时海岸线自动提取算法

针对目前合成孔径雷达(synthetic aperture radar, SAR)在对大尺度瞬时海岸线提取方面的图像解译过程中, 仍然存在精度低与自动化水平差的问题, 提出一种基于深度学习网络的瞬时海岸线自动提取算法。首先, 将SAR图像进行Lee滤波增强来抑制相干斑。其次, 通过升级残差网络为主干网络,分4级提取海水目标的特征。然后, 将4级特征经过全局卷积网络、密集连接网络和解码器网络配合,充分提取目标的本质特征, 并通过上采样产生海水分割结果。最后, 利用Sobel算子分离出海岸线并和原SAR图像融合以便清晰查看结果。通过与全卷积网络与细化网络的海岸线提取实验结果进行对比, 证明所提算法对海岸线的提取更加准确, 能够减少虚警和漏警, 具有更好的性能。     

基于CWD和残差收缩网络的调制方式识别方法

针对低信噪比时莱斯信道下特征提取准确性难以保证、识别准确率偏低等问题, 提出一种基于Choi-Williams分布(Choi-Williams distribution, CWD)和深度残差收缩网络(deep residual shrinkage network, DRSN)的通信辐射源信号调制方式识别方法。利用CWD将时域复信号转换为二维时频矩阵, 对深度残差网络添加软阈值化得到DRSN, 将时频矩阵样本用于对DRSN的训练, 最终构建不同信噪比下的调制方式识别网络。仿真实验表明, 基于RadioML2016.10a数据集, 利用部分先验信息的情况下, 该分类识别方法具有较高的识别准确率和噪声鲁棒性。在0 dB时, 对11类信号的总体识别准确率达到了89.95%;在2 dB以上时, 总体识别准确率均超过91%, 优于其他深度学习识别方法。     

基于神经网络的图像描述方法研究

自动识别和描述图像的内容是人工智能中一个重要的研究方向,它涉及计算机视觉和自然语言处理技术。针对这一难题,提出了一种由深层神经网络模型生成自然语言句子来描述图像内容的方法。该方法提出的模型由卷积神经网络(Convolution Neural Network,CNN)和循环神经网络(Recurrent Neural Network,RNN)组成,其中,CNN用来提取输入图像的特征生成固定长度的特征向量,该特征向量初始化RNN来生成句子。在MSCOCO图像描述数据集上的实验结果表明了该模型所生成句子的语法准确性和语义准确性,且优于先前的基线模型。     

Incorporating textual and management factors into financial distress prediction: A comparative study of machine learning methods

Financial distress prediction (FDP) has been widely considered as a promising approach to reducing financial losses. While financial information comprises the traditional factors involved in FDP, nonfinancial factors have also been examined in recent studies. In light of this, the purpose of this study is to explore the integrated factors and multiple models that can improve the predictive performance of FDP models. This study proposes an FDP framework to reveal the financial distress features of listed Chinese companies, incorporating financial, management, and textual factors, and evaluating the prediction performance of multiple models in different time spans. To develop this framework, this study employs the wrapper-based feature selection method to extract valuable features, and then constructs multiple single classifiers, ensemble classifiers, and deep learning models in order to predict financial distress. The experiment results indicate that management and textual factors can supplement traditional financial factors in FDP, especially textual ones. This study also discovers that integrated factors collected 4 years prior to the predicted benchmark year enable a more accurate prediction, and the ensemble classifiers and deep learning models developed can achieve satisfactory FDP performance. This study makes a novel contribution as it expands the predictive factors of financial distress and provides new findings that can have important implications for providing early warning signals of financial risk.