宁夏地区雨季特征时空变化规律及其归因分析

为揭示宁夏地区雨季特征时空变化规律及物理归因，利用1960～2020年宁夏地区9个气象站点的降水资料，基于滑动t检验法确定宁夏地区各个站点多个雨季特征(包括雨季开始时间、结束时间、持续时间、降雨量、降雨强度和降雨日数)的时空分布规律，分析大气环流、季风以及海表温度对宁夏地区雨季特征的影响。结果表明：宁夏地区的雨季开始时间和结束时间具有明显的年代际和空间变化特征，西北太平洋增强(减弱)的反气旋是宁夏地区雨季开始(结束)的重要信号。雨季降雨量和降雨强度在突变年份发生后，具有增强的趋势。多个雨季特征表现出与厄尔尼诺(ENSO)区域明显的负相关性，即升高的海表温度会导致宁夏地区雨季起讫时间的提前、降雨量和降雨强度以及雨季降雨日数的减小。研究成果可为探究宁夏地区雨季特征与海表温度的遥相关性提供参考。     

新媒体环境下智慧化阅读推广研究——以重庆第二师范学院为例

开展智慧化阅读推广,紧跟时代步伐,有效提升读者多重阅读体验和满意度,增强智慧化阅读推广的价值,促进智慧化阅读推广服务的有效化、规范化、科学化、常态化、长期化发展,已成为当前阅读推广研究中一个重要的切入点。文章基于智慧化阅读研究,结合"新媒体"高新技术环境,提出智慧化阅读推广的内容分析、具体实施、环境构建、推广评估与效果、推广改进等几个方面组成的以读者为中心的核心服务体系。本文分析了智慧化阅读基本方面,以我校图书馆实际运用推广效果,智慧化阅读存在的优、劣势及相应的对策。     

基于形态特征提取的急性下壁心肌梗死BiLSTM网络辅助诊断算法

急性下壁心肌梗死是一种病发急、进展快、致死率高的心脏疾病,该文提出一种新颖的基于形态特征提取的BiLSTM神经网络分类的急性下壁心肌梗死辅助诊断算法,可大幅度提高医生对急性下壁心肌梗死疾病的诊断效率并有助于及时确诊.算法包括:对胸痛中心数据库心拍信号进行降噪及心拍分割;根据临床心内科医学诊断指南提取了12导联波形距离特征和分导联波形幅值特征;依据提取的特征搭建LSTM与BiLSTM神经网络进行心拍的分类识别;使用PTB公开数据库和胸痛中心数据库多临床中心进行交叉验证.实验结果表明,加入胸痛中心真实临床数据后,基于形态特征提取BiLSTM神经网络的急性下壁心肌梗死辅助诊断算法准确率达到99.72％,精度达到99.53％,灵敏度达到100.00％,同时F1-Score达到99.76.该算法比其他现有算法准确率提高至少1％,该项研究具有非常重要的临床应用价值.     

针对细微特征进行K-means聚类的电台分选识别技术

现代战场中的无线通信设备日益增多，精准获取个体信息已成为研究热点，但也是难点。针对通信电台，提出了一种分选识别技术。该技术从电台物理层特性出发，对其辐射信号的细微特征进行K-means聚类以实现分选，分选的同时提取各个个体的特征属性值，未知信号通过与特征属性值相关运算实现个体识别。该技术无需先验知识，无需训练运算，通过实验验证，其可行、高效，易于工程实现。     

数智化时代背景下《服装立体裁剪》课程的教学新模式探析

21世纪进入数智化时代,学习者认知方式的改变,教师角色及教学环境、结构的变化等,颠覆了传统的教学模式,逐渐形成了新的教学范式.现基于数智化时代背景下探析《服装立体裁剪》课程的教学新模式.     

EBZ-260型掘进机截割头截割性能研究

通过对EBZ-260型掘进机截割头的截割性能进行分析和研究,深入了解和掌握了相关截割头的数据参数、设计结构及载荷等情况,进一步研究了截割头的受力情况、形状结构及其截齿运行轨迹及安装分布等特性,可为截割工作提供必要的数据参考及理论基础,有利于重要部件的有限元分析,对研究掘进机整机受力的情况、截割的性能、所具备的可靠性及稳定性等方面具有重要作用.     

适应装配式变电站建设的产业链化设计探析

针对目前装配式变电站在建设过程中有关设计、设备、施工、运维等方面的主要问题,创新提出在设计中引入"产业链化设计理念",依托数据化平台,开展三维设计,将设计、构件生产、现场施工和运行检修四大建设主体"四位一体",协同工作,形成设计主导的链式建设模式。四大建设主体协同完成装配式变电站建设,不仅能简化设计过程、缩短设计周期、提高设计精度,而且能解决装配式变电站在实施过程中的桎梏,提高施工质量,充分发挥了装配式变电站高效、绿色、节约的优势。     

连云港杰瑞电子有限公司

连云港杰瑞电子有限公司是特大型国有重要骨干企业中国船舶集团有限公司下属国有控股公司,中国海防(sh600764)全资子公司,是国家级高新技术企业、首批军用电子元器件合格供应商、国家两期火炬项目实施单位,江苏省两化融合示范企业。     

基于堆叠稀疏去噪自动编码网络与多隐层反向传播神经网络的铣刀磨损预测模型

刀具磨损状态是机械加工过程中需考虑的重要因素之一.针对铣刀磨损的在线预测问题,建立了一种基于深度学习的铣刀磨损预测模型.首先,将采集到的铣刀切削时的振动信号进行小波去噪后,利用快速傅里叶变换和小波包分解等技术提取时域、频域及时频域上的特征参数,并根据相关性分析从中筛选出合格的特征参数合并为特征向量,以此作为堆叠稀疏去噪自动编码网络(SSDAE)的含噪样本.其次,利用特征后处理的方式对已经筛选出的特征参数进行单调不递减及平滑处理,并将其作为SSDAE的无噪样本来训练该网络.然后,将经过SSDAE降维后的特征向量作为多隐层反向传播神经网络(BPNN)的输入,以这些特征对应的实际铣刀的磨损量作为标签对该网络进行拟合训练.最后,对训练好的模型进行实验验证,通过测试数据集和人为加入噪声的测试数据集的对比,结果显示所提模型不仅具有较高的预测精度,还具有较高的鲁棒性.