基于可变形卷积网络的恒星大气物理参数自动测量

为解决海量恒星光谱数据自动处理问题,更准确地对恒星光谱物理与化学性质的研究,同时更加直观地反映恒星性质参数,通过利用可变形卷积网络(deformable convolutional network,DCN)方法对恒星大气物理参数进行分析,系统地研究了恒星表面有效温度(Teff)、表面重力(logg)、金属丰度([Fe/H])3个物理参数,实验结果对比梯度下降法神经网络(back propa-gation neural network,BPNN)、人工神经网络(artificial neural network,ANN)、径向基神经网络(radial basis function neural network,RBFNN),评价标准为平均绝对误差(mean absolute error,MAE)、均值误差(mean error,ME).基于SDSS-DR9、LAMOST-DR3恒星光谱数据得到Teff、logg、[Fe/H]的DCN-MAE分别为97.2136 K、0.281 2dex、0.125 2 dex,DCN-ME 分别为106.596 3 K、0.385 6 dex、0.175 3 dex.实验结果显示DCN效果优于BPCNN、ANN、RBFNN,为进一步分析与反映恒星真实情况提供参考.     

基于偏差估计卷积神经网络恒星光谱数据自动分类

天体物理学科中恒星光谱具有极其重要的研究前景,中国自主研制的大科学天文巡天项目大天区多目标光纤光谱望远镜(large sky area multi-object fiber spectroscopy telescope,LAMOST)自启用以来,已经成为世界上空间光谱获取数据量最大的科学装置.目前,第6期数据(sixth data,DR6)已对全球的天文工作者开放.恒星光谱数据分类在研究天文观测数据分析领域中极为重要,为了同时兼顾快速的运行速度和准确的分类精度,基于偏差估计卷积神经网络方法(bias estimation convolu-tional neural network,BECNN),分析了DR5中F、G、K、M型恒星光谱.BECNN核心思想主要是利用偏差函数泰勒展开式的偏差参数代替柔性最大值传输函数的偏差参数,进而减小误差,提高准确度.将本文方法与现有的神经网络(neural network,NN)和卷积神经网络(convolutional neural network,CNN)算法进行对比,BECNN算法在F、G、K、M型恒星光谱自动分类准确率分别为93.177％、88.349％、93.807％、89.255％;CNN算法分别为91.646％、87.671％、92.701％、89.054％;NN算法分别为90.819％、87.417％、91.325％、88.092％.同时,将两两恒星光谱数据融合作为测试样本集,做进一步验证.结果表明:BECNN光谱自动分类准确率高于CNN和NN方法,在今后特殊天体索搜与恒星光谱精细分类研究中,本文方法有较好的借鉴价值.     

热式气体质量流量计原理分析及其应用

分析热扩散式质量流量计的原理及其在应用中需要考虑的主要因素，并简要介绍了其应用特点与局限性。     

水位波动条件下盾构极限支护压力半解析研究

为研究潮汐作用对盾构隧道开挖的影响,采用有限元软件COMSOL建立三维数值模型,得到水位波动条件下盾构隧道开挖面前的渗流场变化规律,发现粉土地基中的渗流存在幅值衰减与相位滞后现象.将计算所得渗透力应用到"楔形体—棱柱体"极限平衡模型中,计算并分析开挖面极限支护压力在水位波动条件下的变化特征,发现极限支护压力的波动与隧道埋深比、土层性质、边界水位波动等因素相关.随着隧道埋深比的增大和波动周期的减小,极限支护力的幅值衰减与相位滞后更为显著.潮汐作用下的极限支护压力最大值比最高潮位稳态渗流情况要小,支护力的最大值与最高潮位出现的时间不一致.     

建筑外墙渗漏原因与解决对策

分析建筑物外墙渗漏的主要原因,应该从房屋外墙防水牵涉到材料、设计、施工等方面及特殊部位的工程质量问题上入手,针对不同问题采取相应措施。本文主要阐述建筑物渗漏水产生原因和相应防治的措施,以供大家参考。