电缆槽对电缆间串扰的影响研究

电缆在使用时一般会铺设在电缆槽中,而电缆槽对铺设其中电缆之间的串扰会形成影响.针对电缆槽中电缆之间的串扰问题,提出一种结合多端口网络理论及分块级联思想的建模方法,使用基于波导格林函数的矩量法来提取电缆槽中电缆间的分布参数,并用虚拟节点理论将提取的分布参数矩阵转化为模型中的传输函数.通过与商业电磁仿真软件的仿真结果进行对比,验证了本文的模型及算法在分析电缆槽中电缆间的串扰问题时具有较好的精确度,最后运用此方法分析了电缆处于电缆槽中不同位置时的线间串扰大小,并结合铁路现场的实际情况对电缆槽中电缆的布线方式提出了建议.     

基于深度学习的中医古文献临床经验抽取

中医古文献蕴藏着丰富的临床经验，是古代中医在行医过程中对临床诊疗的经验性总结，体现了中医学形成和发展的理论框架和思想基础.然而这些宝贵的临床经验不仅量大，而且分散在不同的文献中，使得中医从业者手工很难快速全面地获取它们，文献检索工具也只能提供文档级别的信息筛选，无法为这种细粒度的信息获取提供支持.此外，古汉语相对于现代汉语的不同特点也限制了主流文本分析工具的使用效果.为此本文提出面向临床经验获取的中医古文献信息抽取任务，用于识别古文献中描述临床经验的文本片段，手工标注了样本数据用于这种抽取模型的训练和测试，并设计了基于深度学习的序列标注器用于完成该任务.考虑到标注数据量小可能带来的过度拟合问题，本文引入对抗训练和虚拟对抗训练来增强模型的泛化能力.一系列充分的实验验证了模型的有效性，表明利用信息抽取技术从古文献获取中医临床经验具有可行性，为这一新的信息抽取任务提供了有希望的研究基线和可复用的标注数据集.     

一款可冷热变换的模块化多功能垫的研制与应用

利用热电元件,研制了一款具有温度可调节以及模块化可拼接的多功能垫。在研制过程中,结合热场模拟仿真分析,从隔热、导热、散热等方面进行材料选取和结构设计,实现了控温功能;结合实际使用情景,对模块间的机械和电路连接进行设计,实现了模块化拼接功能。运用3D打印技术完成了该坐垫的整体设计和样品制作,并测量了温度随工作电流电压以及时间的变化关系,结果表明该坐垫具备良好的使用特性。     

基于隐生灭过程模型的充电桩故障诊断研究

文章提出了采用隐生灭过程研究电动汽车充电桩故障诊断的一般模型及分析方法,将状态转移仅发生在相邻状态之间的方式加以考虑,在给定规则下建立了隐生灭过程模型;利用生灭过程局部平衡方程组研究了充电桩发生故障的稳态分布,解释了稳态分布的物理意义。实验结果验证了上述理论分析的正确性,该文提出的模型和结论具有一定可行性与普适性,在一定程度上适用于诊断速度要求较高而精度要求低的其他电子设备故障诊断。     

非同分布φ混合序列加权和的强极限收敛性

利用φ混合序列矩不等式和截尾的处理方法,研究非同分布φ混合序列加权和强极限收敛性质的问题,得到了若干新结果,推广并改进了独立同分布情形下的相应结果.     

基于神经网络的医疗诊断研究

主要工作集中在医疗数据的预处理和神经网络模型的训练.首先结合数据挖掘和自然语言处理技术,在保留医疗数据语义基础上对分词工具语料库进行补充,将中文数据分词,同时对其中大量冗余信息进行清洗,将中文数据转换成计算机可识别的编码,其次利用多种经典热门的神经网络模型来训练医疗数据,同时对比基于传统决策树模型的GBDT模型的训练结果,最后实验结果证明,对于多种疾病诊断,神经网络模型的效果要优于其他模型,诊断准确率接近90%.     

基于GIS的广西少数民族人口分布的空间统计分析

为了能够全面把握广西少数民族人口的分布规律,从而对广西少数民族人口的合理布局,以及广西区域经济的协调发展提供一定的参考。该文使用广西2015年1%人口抽样调查数据,运用GIS的空间数据可视化与空间统计学方法,对广西少数民族人口空间分布特征和空间格局进行了全面分析。研究表明:广西少数民族人口在县级行政区域上的分布具有不均衡性,且超过50%的人口分布在丘陵和小起伏山地地区。广西的少数民族人口在空间上具有聚集特征,高值聚集区主要在桂中和桂西的南宁市辖区,崇左市北部,来宾市辖区,百色市东部,河池市南部等地区。广西少数民族除壮侗语族外大多属于后迁入到广西,随着民族文化的交融,历史上战乱的影响,逐步迁移,形成了如今少数民族分布的特点。     

基于机器阅读理解的商品属性识别

属性抽取的目标是从非结构化文本中抽取与文本实体相关的属性和属性值，然而在电商场景下基于序列标注的模型缺少应对大规模属性抽取任务的可扩展性和可泛化性能力。本文提出基于阅读理解的商品属性抽取模型，通过额外加入问句来强化模型对属性的理解，结合双仿射注意力机制捕获问句和文本之间的语义特征，进一步提高模型的抽取性能。本文在电商数据集上对不同类型问句和不同解码器进行了对比实验，结果表明本文提出的方法优于多个基线模型，相较于OpenTag和SUOpenTag模型，属性抽取的F1值分别提升7.70%和3.26%，未登录词识别的F1值分别提升15.51%和8.12%。