基于CEEMDAN-BO-BiGRU的矿井涌水量预测研究

为提高矿井涌水量预测的准确度，基于涌水量数据的不稳定性及随机性，提出一种自适应噪声完备集合经验模态分解(CEEMDAN)、贝叶斯优化(BO)与双向门控循环单元(BiGRU)相结合的矿井涌水量预测模型(CEEMDAN-BO-BiGRU)。该模型通过CEEMDAN将涌水量数据分解为多个较平稳的固有模态分量(IMF)和残差分量(Res)，过滤数据噪声，提取数据不同时间尺度波动特征，降低预测误差。利用贝叶斯优化对BiGRU模型多个超参数进行迭代寻优，进一步提高模型的预测精度。之后对各分量进行超前1至3步预测预测，最终将各分量预测结果加和得到涌水量多步预测结果。以小庄煤矿矿井涌水量数据进行试验，并将CEEMDAN-BO-BiGRU预测结果与CEEMDAN-BiGRU、BiGRU、BP、SVM进行对比实验，结果表明采用CEEMDAN-BO-BiGRU组合网络模型对矿井涌水量预测结果更准确，该方法对涌水量的短时预测提供了一种新思路。     

聚合体网络对铁电液晶的影响

通过定点聚合混合在小分子铁电液晶中的可交联单体来制备高聚合体网络稳定铁电液晶（PNSFLCs）。试验中所用单体为紫外固化光学粘合剂NOA65，其用量少于5%，铁电液晶中存在很少量的聚合体网络可以引起相变行为的显著变化。聚合体网络的存在可减小分子倾斜角和降低液晶载体的自发极化强度。分子倾斜角和自发极化强度与温度的对应关系可用指数函数来描述，但在聚合体存在的情形下，函数参数的数值不同于在均场近似下由经典朗道理论所得到的数值。对于纯铁电液晶，自发极化强度与分子倾斜角之间存在与温度无关的线性关系；在聚合体网络存在的情形下，这一线性关系的温度独立性被破坏。     

深度学习研究及军事应用综述

深度学习作为当前人工智能领域的研究热点之一,已经受到广泛关注.借助于强大的特征表示和学习能力,深度学习日益成为军事领域智能化发展的技术基础.首先结合深度学习的最新发展,指出深度学习的快速发展得益于理论的突破、计算机运算能力的显著提高和开源软件的广泛流行,着重梳理了目前主要的深度学习硬件平台和编程框架,并总结了各自的特点...