基于mRMR-IPSO的短期负荷预测双阶段特征选择

电力负荷具有时空多变的特性,受众多因素的影响,在短期负荷预测中较多的输入特征会造成维度灾难,导致模型预测性能不佳,因此选择合理的输入特征集至关重要。文章提出一种新的短期负荷预测特征选择方法——mRMR-IPSO双阶段法。利用最大相关最小冗余（max-relevance and min-redundancy,mRMR）判据对原始特征进行排序,考虑输入特征与输出特征之间相关性和输入特征间冗余性,筛选掉一些排序靠后的特征,初选出对预测效果影响显著的特征子集;采用基于改进的粒子群优化算法（improved particle swarm optimization,IPSO）的搜索策略,以LightGBM模型的预测精度为适应度函数,对初选特征子集进行精选,得到最优特征子集。算例结果表明,所提方法能在对原始特征集大幅降维的情况下提升预测精度。     

外用碳酸氢钠在高水平足球运动员高强度间歇训练期的试验

碳酸氢钠对提高运动员竞技表现水平和缓解运动疲劳有较好效果,但运动员口服碳酸氢钠会有碱中毒、肠胃反应、心律失常等副作用,从而无法在竞技体育中广泛应用。目的：研究碳酸氢钠经皮肤外涂给药对男子足球运动员的高强度间歇训练期间血清指标和延迟性肌肉酸痛的影响。方 法：选取16名高水平男子足球运动员为研究对象,每天为其分别涂抹碳酸氢钠外用乳剂和安慰剂乳剂后,分别在7天高强度间歇训练后对训练后的主观疲劳程度和下肢延迟性肌肉酸痛程度进行统计,对训练前后血乳酸、肌酸激酶、尿素氮、血红蛋白等血液生化指标、训练期的训练刺激量、最大心率、能量消耗、有氧和无氧训练效果指标,跑动距离、跑动速度、加速度、高速跑距离、总负荷等运动表现指标进行分析。结 果：在一次高强度间歇训练前后,实验组相比对照组,血乳酸升高数值显著降低（p< 0.05）,肌酸激酶升高数值增高,血尿素氮升高幅度降低;在7天训练期,相比于对照组,实验组的下肢DOMS和RPE总体水平显著降低（p< 0.05）,下肢DOMS数值在第2天和第6天显著下降（p< 0.05）;在反映训练强度和训练效果的TRIMP数值上,实验组的总体水平高于对照组,且变化幅度更小。实验组运动员训练的无氧训练效果、EPOC峰值、最大心率、能量消耗相比于对照组均有所提升,其中最大心率、无氧训练效果有显著性提升（p< 0.05）。结 论：碳酸氢钠的外涂给药可以显著降低足球运动员高强度间歇训练带来的肌肉延迟性酸痛,并显著降低高强度训练产生的血液血乳酸浓度升高,有利于高强度训练后的无氧训练效果提升,使得运动员心率储备能力和快速恢复能力的增强,从而促进专项运动能力的提升。     

多交通态势下成都市“一市两场”可达性

为剖析多交通态势下“一市两场”的可达性时空规律,优化航空运能分配。通过百度地图API数据,构建在不同时间特征的交通状态下的成都双流国际机场、天府国际机场的加权平均出行时间模型,分析在驾车和公共交通2种出行模式下的两个机场可达性空间格局。结果表明:(1)天府国际机场的投用使得成都市枢纽机场服务范围空间分布上趋向于“东西均衡”;在驾车出行模式下,两机场1 h覆盖范围在空间上互补;在公共交通出行模式下,两机场2 h覆盖范围在空间上互补;(2)驾车出行模式下的成都市机场可达性均高于公共交通模式出行,驾车出行模式的1 h覆盖范围开始出现重叠且1.5h可达性辐射范围已经完全覆盖主城区;而公共交通出行从1.5 h覆盖范围开始出现重叠,3h可达性辐射范围基本覆盖主城区且呈现“西部可达性较好,东部可达性较差”的现象;(3)以成都为中转点,双流机场的中转效率较高,显现出地理位置的优势,且成都市主城区东部边缘部分公共交通可达性极差;(4)天府机场及配套道路基础设施的投入使用极大提高了成都县级区域可达性,其中成都市简阳市居民出行便利度显著提高,金堂县、青白江区周末出行拥堵大幅缓解。     

考虑压敏效应的低渗透油藏CO2辅助重力驱合理配产方法

高倾角低渗透油藏在进行水驱开发时,在油藏高部位存在大量剩余油,采收率较低,采用CO2辅助重力驱,可以充分利用高倾角的地质特征,有效提高该类油藏的采出程度。但是由于CO2对原油物性影响要远大于水对原油物性的影响,CO2驱替过程中流体的渗流过程更加复杂,因此有必要对低渗透油藏CO2重力驱合理配产优化进行研究。首先,依据油藏中任意一点压力与最小混相压力的关系,分别建立了考虑压敏效应的低渗透油藏CO2重力驱混相和非混相模型;其次,运用Python对模型进行求解,同时分析了压敏系数、地层倾角、注采井距和注气速度对油藏配产的影响;最后,结合现有工作制度法和增产倍数法,对比本模型计算结果,运用tNavigtor软件对三种方法进行采收率预测。研究结果表明：运用本文方法对油藏进行合理配产具有较好的开发效果,油藏采收率相对较高,研究成果对该类低渗油藏的开发具有较好的借鉴意义。     

融合多尺度CNN与双向LSTM的唐卡问句分类模型

当前大语言模型的兴起为自然语言处理、搜索引擎、生命科学研究等领域的研究者提供了新思路,但大语言模型存在资源消耗高、推理速度慢,难以在工业场景尤其是垂直领域应用等方面的缺点。针对这一问题,提出了一种多尺度CNN与双向LSTM融合的唐卡问句分类模型,本模型将数据的全局特征与局部特征进行融合实现唐卡问句分类任务,全局特征反映数据的本质特点,局部特征关注数据中易被忽视的部分,将二者以拼接的方式融合以丰富句子的特征表示。通过在Thangka数据集与THUCNews数据集上进行实验,结果表明,本模型相较于Bert模型在精确度上略优,在训练时间上缩短了1/20,运算推理时间缩短了1/3。在公开数据集上的实验表明,本模型在文本分类任务上也表现出了较好的适用性和有效性。     

科技法律法规施行评价指标体系的构建及应用以宁波市科技进步“一法两条例”为例

在科技自立自强的背景下,完善科技法律法规是保障创新活力、促进科技进步的重要基石。本研究针对我国科技法律法规施行效果评估研究较少,且主要基于定性分析,无法满足创新驱动下时代发展新要求的现状,以宁波科技进步“一法两条例”为例,构建了一套系统、科学的科技法律法规施行评估方法,提出四维平衡观察体系,创设科技创新观察站,为其他地区开展科技法律法规施行评估提供参考路径。     

多机协同自主任务规划系统研究综述

针对多机协同自主任务规划显著提升无人机任务感知效能、提高任务执行能力的现状,对其关键技术进行阐述,主要包括知识表示、通感一体化、任务调度及航迹规划等技术。针对知识表示技术,阐述基于任务环境上下文感知的知识库构建方法,进而对多域融合知识图谱构建、动态知识图谱更新与共享方法进行分析总结;针对通感一体化技术,分析了环境适变、灵活可扩的多机协同通感一体化架构,进而揭示多机协同通感一体化理论能限,阐述面向任务差异性需求的资源共享方法;针对任务调度及航迹规划技术,阐述资源适配的多机协同自主任务调度方案,并对基于动力学模型的航迹控制策略及不完美环境下的鲁棒控制机制进行分析总结。     

不同喀斯特土壤类型下常见蕨类植物氮磷养分策略差异及其与土壤养分供给关系

蕨类植物是喀斯特生态系统的先锋植物,研究其对瘠薄的喀斯特地区土壤的适应策略,对退化生态系统的恢复与重建具有重要意义。本研究以贵州省植物园内地带性黄壤、非地带性石灰土上均有分布的常见蕨类植物毛蕨[Cyclosorus interruptus (Willd.) H.Ito]、剑叶凤尾蕨(Pteris ensiformis Burm.)和金粉蕨[Onychium siliculosum (Desv.) C.Chr.]为试验材料,研究2种喀斯特土壤类型下3种常见蕨类植物氮磷养分策略的差异,及其与土壤氮磷养分供给的关系。结果表明：①石灰土上蕨类植物根系分泌的有机酸主要为酒石酸、草酸和苹果酸,黄壤上为酒石酸、苹果酸和柠檬酸,且石灰土上根系分泌的有机酸总量远高于黄壤;②与黄壤上生长的蕨类植物相比,石灰土上蕨类植物干物质积累量、氮素与磷素吸收量均较高,分别高出2.7倍、30.8%和43.8%;③2种土壤条件下蕨类植物地上部分的氮(N)、磷(P)平均含量均较地下部分高;石灰土上蕨类植物地上部分N/P为13.17,黄壤上为11.35;④2种土壤条件下蕨类植物的氮素吸收量均与土壤有效磷含量呈显著正相关,说明蕨类植物对土壤氮素的吸收利用受土壤有效磷含量的限制。综上可知,蕨类植物在2种土壤类型上的氮磷养分利用与分配策略存在显著差异,其在石灰土上生长时对土壤养分循环的影响较黄壤上大。     

型钢高强自密实混凝土黏结滑移性能试验研究

为研究型钢与高强自密实混凝土界面黏结滑移性能,以混凝土保护层厚度和型钢埋置长度作为变化参数,设计9个型钢高强自密实混凝土试件进行推出试验. 观察试件破坏过程、破坏形态和裂缝发展形式,获取了试件加载端的荷载-滑移全过程曲线,研究不同变量对其黏结性能的影响规律. 结果表明：型钢高强自密实混凝土组合结构界面极限黏结强度随着混凝土保护层厚度的增加而增大,最大增幅94.9%;随着型钢埋置长度的增加而减小,最大削减为38.1%. 界面黏结抗剪刚度随着型钢保护层厚度的增加先增大后减小,最大增幅85.1%;随着型钢埋置长度的增加而增大,最大增幅为30%. 界面耗能能力与其变量相关性较弱;随保护层厚度的增加,界面损伤发展越晚;随型钢埋置深度的增加,界面损伤速度减缓. 提出了型钢高强自密实混凝土黏结强度的计算公式,能较好地预测型钢高强自密实混凝土黏结强度.     

大孔树脂对零余子皂甙的吸附分离特性研究

对零余子皂甙的静态吸附解吸进行了研究.结果表明:大孔树脂AB-8对零余子皂甙的吸附解吸效果最好,吸附2h后,在40℃条件下,用80%的乙醇溶液解吸2h的解吸效果为最好.