规则演变下体操科研动态特点探微

运用文献资料法、文献计量法等方法,对1993年以来我国体操科研是否呼应规则导向的动态特点进行探究。结果表明:体操科研在量上顺应了规则的要求,而在质上,其对规则导向的领会呈现了定位错乱—基本错位—基本满足—正中要点的动态发展特点。同时研究得出,发展难度动作和创新是体操运动的主流,全面掌握技能、增强艺术美感、吃透规则是比赛制胜的保证,理论研究、技术训练、综合保障是研究领域的三大热点,规则探析、赛事评述和预测是研究中的常春藤。     

拖网曳纲动力学问题的研究

本文从动力学基本方程式出发,根据拖网运动的特点列出曳纲动力学的微分方程组,并详细阐述了拖网处于不稳定运动时曳纲形状、张力和速度的计算方法,且举例给予说明。     

基于模型标定的重型卡车座椅动态舒适性仿真研究

为了减轻重型卡车驾驶员的疲劳,增加了减振机构来提高座椅的动态舒适性。提出一种基于模型标定的座椅动态舒适性研究方法。首先通过台架试验得到了空气弹簧的刚度和阻尼器的阻尼参数。然后对座椅进行模态试验和传递率特性试验,获得座椅模态频率与传递率信息,采用迭代寻参的方法确定连接部位的刚度和阻尼参数,从而建立准确的有限元模型。最后进行模态、传递率和随机振动仿真分析,通过仿真结果评估座椅动态舒适性。结果表明,仿真与试验的模态频率误差小于3%,传递率峰值误差小于10%,且该座椅固有频率与人体敏感频率不重合,座椅在非共振频率段的传递率较小。降低共振频率下传递率的波峰值与响应点的均方根加速度值可以提高座椅的动态舒适性。     

汽车故障知识图谱构建及应用研究

知识图谱技术对汽车高效的故障诊断具有重要的意义,现有汽车故障知识图谱构建存在着实体识别模型效果不佳、无法解决嵌套实体等问题。针对上述问题,通过采用全词掩码的预训练语义模型、加入对抗训练和改进嵌套实体识别模型的方式提高实体识别模型效果,提出了一种改进的嵌套实体识别模型。实验结果表明,所提模型在F1指标、P指标、R指标上相比基线模型分别提高了3.56%、4.08%、3.05%,相比其他模型也有不同程度的提高,验证了所提模型对汽车维修领域实体识别具有显著效果。同时,基于构建的汽车故障知识图谱,实现了汽车故障知识智能问答原型系统,展示了知识图谱技术在汽车故障诊断与维护领域的应用前景。     

机械反馈式伺服阀流量测试动态缸参数选用分析

相比电反馈伺服阀动态特性可直接通过阀芯位移响应测试获得,机械反馈式流量伺服阀的动态特性,通常需利用动态缸作为流量传感器间接测量获得。测试结果受动态缸泄漏、阻尼、质量惯性等固有非理想化因素的影响,通常无法准确表达伺服阀本身的性能指标。基于一套实际阀控缸系统,建立Matlab-Simulink仿真模型,解析获得的频带宽结果相比实测结果误差小于0.5 %,由此建立了可准确表达阀与缸性能特性的仿真模型。在此基础上,理论给出了伺服阀本身的频率特性指标,即无泄漏无阻尼及无限刚度动态缸条件下的系统频率特性。以此为依据,分析了实际动态缸活塞质量、活塞粘性阻尼以及泄漏变化情况下,阀控缸系统频率特性偏离理想条件的变化规律。     

融合图注意力网络和注意力因子分解机的服务推荐方法

为了解决服务推荐过程中的特征稀疏问题、提高服务的语义表示能力,进而提升推荐的准确性和有效性,提出基于图注意力网络(graph attention networks,GAT)研究服务推荐方法,引入服务的组合权重和组合的结构信息,综合利用多种服务特征,提高服务推荐质量。将GAT和注意力因子分解机(attention factorization machine,AFM)结合在一起,利用多头自注意力机制,学习每个节点在图邻域中的重要性;进行信息聚合,处理网络中的不同图结构,以适应服务动态变化的场景。 实验结果显示,在数据平衡的情况下,提出的方法性能表现均好于对比方法;在数据不平衡的情况下,提出的方法大部分性能指标也表现良好,达到了提升服务推荐准确性和有效性的目标。     

基于自监督信息增强的图表示学习

针对图表示学习模型依赖具体任务进行特征保留以及节点表示的泛化性有限等问题,本文提出一种基于自监督信息增强的图表示学习模型(Self-Variational Graph Auto Encoder,Self-VGAE)。Self-VGAE首先使用图卷积编码器和节点表示内积解码器构建变分图自编码器(Variational Graph Auto Encoder,VGAE),并对原始图进行特征提取和编码;然后,使用拓扑结构和节点属性生成自监督信息,在模型训练过程中约束节点表示的生成。在多个图分析任务中,Self-VGAE的实验表现均优于当前较为先进的基线模型,表明引入自监督信息能够增强对节点特征相似性和差异性的保留能力以及对拓扑结构的保持、推断能力,并且Self-VGAE具有较强的泛化能力。     

基于学术知识图谱的增强语义表示与检索

知识图谱作为一个巨大的知识网络图,其中包含着实体概念、关系等信息.基于深度学习的语义表示虽然泛化性强,但对于一些专有知识的敏感度不高,所以许多研究尝试将知识图谱与神经网络结合.目前大部分知识图谱语义表示的方法是围绕通用领域知识图谱展开的,没有针对学术领域的知识图谱语义表示方法的研究.本文以学术文献的全文本数据为研究对象,从基于学术知识图谱的语义表示方法切入研究,在构建学术知识图谱的基础上,对通用领域的研究方法（K-BERT）进行领域化改进（KEBERT）,进一步使用实体知识增强文本的语义信息.通过开展下游任务的对比实验,在学术检索数据集上验证KEBERT、K-BERT和ERNIE的性能.实验采用检索任务中常用的NDCG评价指标对结果进行评价,实验结果表明改进后的KEBERT在检索任务上的效果优于其他模型.     

离散事件动态系统理论在通信网络中的应用

通信网络是—个典型的离散事件系统。离散事件动态系统（ＤＥＤＳ）理论综合并提出了许多对离散事件系统建模及性能评估等的方法,为解决通信网络中的一些关键问题提供了有力的工具。本文综述了近年来ＤＥＤＳ理论在通信网络建模、分析、优化以及网络管理等方面的应用进展情况,并提出了一些自己的看法。     

A NEIGHBORHOOD UNION CONDITION FOR PANCYCLIC GRAPHS

1.IntroductionWeconsideronlysimplefinitegraphs.OurbasicnotationandterminologynotdefinedherefollowthOSeofBondyandMurtyll].ForagraphG,letV(G)andE(G)(orjustVandE)deDOtelievertexsetandedgeset,respectively.Wedenoteapathandacyclecontaining8veniCesbyPaandCarespectively.ThecycleCaiscalledans-cycle.Denotebyg(G)(orbrieflybyg)thegirthofG1.SetNC=min{IN(u)UN(v)l:tv相似文献