利用隐性课程进行化学审美教育

化学科学中的形象美、感性美是生动的、直观的、显性的;而化学理论、化学概念、化学定理等呈现出的抽象美、概括美、简约美是隐性的,往往被人们忽视.利用隐性课程进行化学审美教育,就是要深化形象美、抽象美--提高显性美对学生的感染力;挖掘理性美、抽象美--发挥隐性美对培养学生化学科学素质的作用.     

关于山东土壤年龄的探讨

我们依据第四纪地质、考古和历史自然地理学资料,通过分析山东各类土壤母质的形成时期,推论各类土壤的成土年龄。认为一般情况下,山东土壤的年龄不大于2400年。     

基于自注意力机制的新生儿胆道闭锁识别

新生儿胆道闭锁是新生儿常见的致命疾病之一,并且该病在亚洲的发病率高于世界其他地区.新生儿胆道闭锁需要及时发现及时治疗,然而由于缺少专业的儿科医生和辅助诊疗手段,新生儿父母往往不能及时发现而错过了最佳治疗时间.因此,本文开发了一个具有实际应用价值的预诊算法,通过新生儿粪便图片预测新生儿是否患有新生儿胆道闭锁,并提醒新生儿父母及时就诊.为了让算法在应用场景下识别率更高,本文的算法基于一个真实场景下拍摄的新生儿粪图片数据集开发.首先我们设计了一个自注意力网络模型BANet(Biliary Atresia Network),将图片的浅层特征和深层特征相结合,可以得到更好的分类效果.由于拍摄自应用场景下的图片存在过暗和过曝等问题.通过分析数据集的亮度分布,我们设计了一个自动亮度调节算法解决.此外,图片中的阴影也会对识别结果造成干扰,因此我们在训练阶段增加了一种阴影数据增强方式来缓解这一问题.为验证本文提出算法的有效性,本文设计了一个和医生的对比试验.结果证明BANet在四分类的识别率、二分类的识别率、特异性和敏感性等客观评价指标上占有明显优势.本文提出的BANet能够有效利用图片中的颜色、异常点...     

土坯力学性能及受压本构模型研究

为获取传统土坯受压应力-应变特性,确定其数学表达式,针对湿制法和干打法制作的土坯开展了单轴抗压试验和三点抗折试验。分别从抗压、抗折强度、破坏机理以及应力-应变关系等方面分析了两类土坯的力学性能。结果表明,普通砌墙砖的抗压及抗折试验方法均适用于传统土坯,干打土坯的抗压强度为湿制土坯的3倍,抗折强度为湿制土坯的1.3倍,但湿制土坯的断裂能为干打土坯的2.5倍。受压初期,干打土坯的应力-应变曲线存在因土料压密而导致的下凹段,而湿制土坯未表现出该特性。基于两类土坯单轴受压状态下的应力-应变曲线特征,提出了土坯单轴受压本构模型,该本构模型与试验数据吻合较好,可用于土坯砌体结构的数值模拟研究。     

基于梯度加权类激活热力图的卷积神经网络故障诊断模型鲁棒性分析

深度学习近年来在故障诊断领域受到广泛应用,但基于深度学习的故障诊断模型缺乏工程上的物理解释性,难以保证其故障诊断结果的稳定性。以轴承为例,建立了以小波时频图像为故障诊断依据的卷积神经网络模型(convolutional neural network, CNN),提出了一种基于梯度加权类激活热力图(gradient-weighted class activation map, Grad-CAM)的网络模型鲁棒性分析方法,并利用美国凯斯西储大学(Case Western Reserve University, CWRU)轴承数据集进行验证。首先,将故障直径轴承数据以不同方式混合并训练大、小多个模型。其次,利用Grad-CAM方法,建立时频区域与故障模式之间的联系。最后,利用其他工况下的轴承故障数据,以及含噪数据进行测试,并根据结果结合模型最注重的时频区域进行分析。结果表明,基于深度学习的轴承故障诊断模型在参数较少时更加注重低频区域,并能使其具有更好的鲁棒性。     

基于词-标签概率的多标签文本分类研究

针对多标签文本分类任务中如何有效地提取文本特征和获取标签之间潜在的相关性问题,提出一种CNN(convolutional neural networks)结合Bi-LSTM (bi-directional long short-term memory)的模型.首先,通过CNN网络和最大池化提取文本的特征;然后,利用训练的Labeled-LDA(labeled latent dirichlet allocation)模型获取所有词与标签之间的词-标签概率信息;接着,使用Bi-LSTM网络和CNN网络提取当前预测文本中每个词的词-标签信息特征;最后,结合提取的文本特征,预测与当前文本相关联的标签集.实验结果表明,使用词-标签概率获取文本中词与标签之间的相关性信息,能够有效提升模型的F1值.     

增强型注意力网络点击通过率预估方法

针对以往模型在对点击通过率(click-through rate,CTR)进行建模预测时,存在着特征重要性学习不足、特征交互低效等问题,提出了一种增强型注意力网络预估模型,用于动态学习特征重要性和特征交互信息,模型主要由注意力层、双线性交互层和全连接神经网络层构成。注意力层的多尺度多头自注意力机制通过设置不同尺寸子空间增强特征重要性学习能力,在得到特征重要性后,进一步采用张量积双线性交互学习特征交互信息。通过对注意力的子空间尺寸大小、张量积交互形式、神经网络层数和节点个数等进行定量分析,确定模型的最佳参数。实验证明,该模型相比已有模型拥有更好的预测能力。     

利用早停可微架构搜索的三维点云模型分类

针对现有三维点云分类网络采用人工设计费时费力的问题,提出早停可微架构搜索(early-stopping differentiable architecture search,ES-DARTS)算法。利用从人工设计网络架构中提取到的先验知识,预定义一个包含高效候选操作的搜索空间,可快速搜索出适用于三维模型分类任务的高性能网络模型;通过追踪网络搜索阶段各候选操作的权重变化,找出跳跃连接操作在双重优化过程中发挥不公平竞争作用的临界点并在此处停止搜索,以保证各候选操作之间的稳定性,解决DARTS算法搜索过程中易出现性能崩溃的问题。提出的算法在ModelNet40数据集上达到了93.2%的识别准确率,比当前人工设计的主流网络具有更高的识别准确率。     

基于预训练模型和多视角循环神经网络的电力文本匹配模型

针对传统方法未能考虑词向量的动态性及句子间交互不充分等问题,提出基于BERT预训练模型及多视角循环神经网络的文本匹配模型。通过BERT-whitening方法对BERT输出的句向量进行线性变换优化,并利用多视角循环神经网络将两句子不同位置的BERT动态词向量进行双向交互计算;将句向量与词粒度交互向量进行融合后计算结果。实验结果表明,提出的模型相较于对比模型有明显性能提升,实用性良好。     

基于CAE仿真的行星齿轮减速器行星齿轮载荷分布特性研究

研究一种高效精确求解行星齿轮系统,在有误差情况下系统的不均载力学特性。应用有限元软件ABAQUS的PYTHON参数化设计语言,对含有5个行星齿轮的新能源汽车行星齿轮减速器,进行齿轮系统基于六面体网格单元的的参数化有限元建模;利用非线性接触分析方法求解减速器系统在有零部件制造和装配误差情况下,分析系统中行星齿轮的载荷分布特性,包括误差大小对不均载的影响,太阳轮输入载荷对不均载的影响。有限元分析结果与参考文献中的试验结果具有完全一致的结论,从而证明了分析方法的正确性。所提供的方法可以方便求解行星齿轮传动系统的不均载系数,对提高行星齿轮设备整机传动性能、寿命及新产品开发具有重要意义。