关于论文中的图

1.图要精选,应具有自明性,切忌与表及文字表述重复。2.图要精心设计和绘制,要大小适中,线条均匀,主辅线分明。3.坐标图标目中的量和单位符号应齐全,并分别置于纵、横坐标轴的外侧。4.图中的术语、符号、单位等应与表格及文字表述所用的一致。     

基于卷积神经网络的5G蜂窝网络无线定位方法

5G蜂窝网络发展迅猛，其覆盖面积将逐渐增大，因此使用5G蜂窝网络进行定位是有研究潜力的研究方向。本文提出一种新的深度学习技术来实现高效、高精度和低占用的定位，以代替传统指纹定位过程中繁重的指纹库生成以及距离计算。该方法建立了一个特殊的卷积神经网络，并根据5G天线信号的接收信号强度指示、相位和到达角等特征量，选择合适的输入数据格式构造样本组建训练集，对该卷积神经网络进行训练。训练得到的卷积神经网络可以替代指纹定位中的庞大指纹库，非常有利于直接在5G移动设备端实现定位。虽然卷积神经网络在训练过程中需要大量时间，但在训练完毕后直接进行分类定位的速度非常快，可以保障定位实现的实时性。本文所实现的卷积神经网络权重与偏置所占内存不到0.5 MB，且能够在实际应用环境中以95%的定位准确率以及0.1 m的平均定位精度实现高精度定位。     

基于全U网络的混凝土路面裂缝检测算法

针对现有的混凝土裂缝检测算法在各种复杂环境中检测精度不够、鲁棒性不强的问题,根据深度学习理论和U-net模型,提出一种全U型网络的裂缝检测算法。首先,依照原U-net模型路线构建网络;然后,在每个池化层后都进行一次上采样,恢复其在池化层之前的特征图规格,并将其与池化之前的卷积层进行融合,将融合之后的特征图作为新的融合层与原U-net网络上采样之后的网络层进行融合;最后,为了验证算法的有效性,在测试集中进行实验。结果表明,所提算法的平均精确率可达到83.48%,召回率为85.08%,F1为84.11%,相较于原U-net分别提升了1.48%,4.68%和3.29%,在复杂环境中也能提取完整裂缝,保证了裂缝检测的鲁棒性。     

基于1D CNN与XGBoost的恶意代码纹理检测

恶意代码数量已经呈现爆炸式增长,对于恶意代码的检测防护显得尤为重要.近几年,基于深度学习的恶意代码检测方法开始出现,基于此,提出一种新的检测方法,将恶意代码二进制文件转化为十进制数组,并利用一维卷积神经网络(1 Dimention Convolutional Neural Networks,1D CNN)对数组进行分类和识别.针对代码家族之间数量不平衡的现象,该算法选择在分类预测上表现良好的XGBoost,并对Vision Research Lab中的25个不同恶意软件家族的9458个恶意软件样本进行了实验.实验结果表明,所提的方法分类预测精度达到了97％.     

海尔卡奥斯建材行业总经理高保卫一行到南安调研

2020年11月25日,海尔卡奥斯建材行业总经理高保卫一行做客南安,就临近的石博会做进一步对接。谈及与石材产业的合作,高保卫表示,海尔希望把自身在企业经营管理的经验、技术、资源分享给石材等更多传统行业,解决行业痛点,打通全产业链,实现传统行业高质量发展。     

膨胀剂、减缩剂对超高性能混凝土自收缩性能的影响

为了解决超高性能混凝土(ultra-high performance concrete,UHPC)存在的收缩开裂风险高等问题,研究膨胀剂、减缩剂对UHPC自收缩性能的影响,开展单掺膨胀剂或减缩剂UHPC的扩展度、基本力学性能及自收缩规律的试验研究,并在此基础上对膨胀剂与减缩剂双掺后的减缩效果进行研究.试验结果表明,膨胀剂或减缩剂单掺均提高UHPC扩展度;膨胀剂或减缩剂单掺均降低28 d抗压强度;掺膨胀剂、减缩剂UHPC的28 d自收缩发展可分为3个阶段:快速发展期、缓慢发展期、平稳期;单掺膨胀剂或减缩剂均有效抑制UHPC各阶段的自收缩,其中,膨胀剂HP-CSA质量分数为6.0％时减缩效果最佳,28 d减缩率达93.6％,减缩剂SBT?-SRA(I)质量分数为1.5％时减缩效果最佳,28 d减缩率为43.0％;膨胀剂与减缩剂双掺时未产生协同效应.     

数字化技术在宁东发电厂二期工程中的应用

本文主要介绍数字化技术在由中国电建集团河北省电力勘测设计研究院有限公司总承包建设的神华国华宁东发电厂2×660 MW二期扩建工程的设计、采购、施工、调试、运维等电厂全生命周期中的应用。     

关于全球经济格局与城市竞争力的思考(上)

前言2020年,新冠疫情的大流行,对全球经济与贸易带来了严重冲击。世界将往何处去?未来十年是否会成为人类"失去的十年(Lost Decade)"?联合国最新发布的《2020年贸易与发展报告》向全人类提出了严峻的拷问。在这个充满不确定性的世界,人类还能否争取一个更加美好的未来?     

基于K-means和SOM的水下传感器数据采集方法

随着海洋资源勘探和海洋污染物监控工作的开展，水文数据的监测和采集等已经成为重要的研究方向。其中，水下无线传感器网络在水文数据采集过程中起着举足轻重的作用。本文研究的是水下无线传感器二维监测网络模型中，传感器节点数据采集的问题，其设计方法是通过自组织映射（Self-organizing mapping，SOM）对传感器节点进行路径最优化处理，结合优化的路径图形和K-means算法找到路径内部聚合点，利用聚合点和传感器的节点得到传感器通信半径内的数据采集点，最后通过SOM得到水下机器人（Autonomous underwater vehicle，AUV）到各个数据采集点采集数据的最优路径。经过实验验证，在水下1 200 m×1 750 m范围内布置52个传感器节点的情景下，数据采集点相比于传感器节点路径规划采用相同的采集顺序得到的路径优化了6.7%；对数据采集点重新进行自组织路径规划得到的路径比传感器结点路径的最优解提高了12.2%。增加传感器节点的数量，其结果也大致相同，因此采用该方法可以提高水下机器人采集数据的效率。