基于残差卷积自注意力神经网络的铝电解过热度识别方法

过热度是反映铝电解槽当前生产效率的重要指标,由于过热度难以在线实时测量,本文提出一种基于残差卷积自注意力神经网络的过热度识别方法.针对铝电解生产过程数据为时间序列数据且具有多源异构特性,设计异构数据的同构表示方法.在此基础上建立残差卷积自注意力神经网络模型以提取同构时间序列数据的全局与局部特征.针对过热度数据标签少且类别分布不均匀问题,采用基于自动编码器的无监督预训练方法与加权交叉熵损失函数以提高过热度识别任务的性能.在基准数据集上进行仿真对比实验以验证本文所提方法的有效性,然后在只包含少量不平衡标签的铝电解过热度数据集上进行实验验证,结果表明本文构建的过热度识别模型相较与其他现有模型不仅提高了过热度识别准确率,而且在训练样本较少时保证了模型的泛化能力.     

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.     

完全不可约算子的近期研究

总结近两年来有关完全不可约算子更深入的工作。它包括了如下几个方面：（１）完全不可约算子的谱图形和精致的完全不可约算子的存在性;（２）算子的完全不可约分解的唯一性;（３）完全不可约算子的紧扰动和（ｕ＋Ｋ）轨道。文中列出的一些结果回答了江泽坚、Ｈｅｒ－ｒｅｒｏ有关完全不可约算子的部分猜测和问题。     

矩阵函数谱算子的几何性质

该文讨论矩阵函数谱算子的几何性质及其应用。     

力学量算符本征函数的正交归一性

文中讨论了力学量算符本征函数的正交归一化性质,给出了得到正交归一化函数的方法。     

星像函数与凸像函数的一个推广

利用一类积分算子,构造了函数族Ｓ（ｎ,α,λ）与Ｋ（ｎαλ）。建立了包含关系。并给出了函数族的一些不等式。     

一致平滑可分的Banach空间中K-正定算子方程的逼近解(英文)

设Ｅ是可分的一致平滑Ｂａｎａｃｈ空间,Ａ：Ｄ（Ａ）Ｅ→Ｅ是一个Ｋ－正定算子。构造了一个迭代序列强收敛于算子方程Ａｘ＝ｆ（ｆ∈Ｅ）的唯一解。所做工作推广了Ｃｈｉｄｕｍｅ与Ｏｓｉｌｉｋｅ,Ｃｈｉｄｕｍｅ与Ａｎｅｋｅ等人的结果。     

多维OU型Markov过程的弱对偶半群及其无穷小算子

研究多维ＯＵ型Ｍａｒｋｏｖ过程的不变测度、参考测度、弱对偶半群及其无穷小算子．说明了ＯＵ型Ｍａｒｋｏｖ过程不变概率测度和弱对偶半群的存在唯一性,Ｌéｖｙ过程Ａｔ的不变测度不一定是由它产生的ＯＵ型Ｍａｒｋｏｖ过程的不变测度,以及Ｌｅｂｅｓｇｕｅ测度ｍ和极限分布ξ在ｓｕｐｐξ＝Ｒｄ的条件下都是ＯＵ型Ｍａｒｋｏｖ过程的参考测度．     

矩阵函数单重积分的格点漂移技术及应用示例

建立了矩阵函数单重积分的格点漂移技术,并阐述了其特殊的数学意义;把格点漂移技术应用于分立基量子系统中的一般转动算符矩阵的格点方法计算中,并将其结果应用于计算二维叠加态在一般转动算符作用下的几率分布演变比。