基于网络公益传播的食品包装设计思路

在梳理公益包装概念发展的基础上,以公益包装的商业实践为案例,分析目前食品包装参与公益的优势、现状和问题,进而提出基于网络公益传播的食品包装设计思路,指出食品公益包装要遵循公益性、简便性、交互性和传播性等设计原则,通过整合新媒体、新材料、新技术和新场景,推动公益包装设计持续创新,促进公益包装更好地服务于企业公益传播,以实现商业利益和社会效益的共赢。     

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。     

基于特征建模的TDD系统大气波导干扰控制体系研究

大气波导干扰是特定气象条件下发生的时分双工（time-division duplex，TDD）系统内干扰，是TDD移动通信系统大规模组网面临的顽疾。在总结分析大气波导干扰成因和分类等的基础上，对大气波导干扰进行建模和表征，验证了海量干扰源在时域和频域的功率集总特征，并结合大量4G/5G现网实测数据给出了典型条件下内陆波导和海面波导的量化干扰信号传播模型，对于干扰的预测和预防具有重要意义。基于干扰特征，给出了TDD系统预防大气波导干扰的帧结构与组网的4项设计原则，5G现网数据表明干扰控制方案有效，上行干扰下降10 dB以上，相关原则对于6G系统的设计也具有指导意义。     

版权声明

1、本刊所刊载文章之复制权、发行权、广播权、信息网络传播权、改编权、翻译权、汇编权及其他可转让的著作权均于本刊刊发之日转由本刊享有,原著作权人可在非营利范围内继续使用。如作者向本刊投稿,除另有说明外,本刊将视为作者已接受上述条件。凡被本刊录用并刊发的稿件将同时通过网络平台进行网络出版或提供信息服务,编辑部将一次性支付作者著作权使用报酬(即包括印刷版、光盘版和网络版等各种使用方式的报酬),每千字30?50元。     

作者须知

作者向本刊所投稿件一经本刊录用,则该论文的复制权、发行权、信息网络传播权、翻译权、汇编权等权利视为自动转让给本刊。本刊为国内各主要数据库收录刊,本刊所发表的稿件将同时通过因特网进行网络出版或提供信息服务,本刊一次性支付作者著作权使用费(包括印刷费、光盘版和网络版等各种使用方式的费用)。如有异议,请来稿时声明,本刊将做适当处理。     

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.     

销售企业怎样在疫情中掘金

疫情当下,抓住机遇助力企业高质量发展;克服挑战使其成为业务增长点,是销售公司需要关注的。当前,国内新冠肺炎疫情虽然整体得到控制,但仍然无法根绝疫情传播,给国内实体零售业带来了冲击的同时,也会给成品油零售行业带来新的发展机遇。如何抓住机遇,助力企业实现高质量发展提速?是当下销售公司需要关注的问题。     

基于图神经网络的网络性能智能预测

传统网络性能预测技术存在网络状态获取不够全面及网络性能评估准确性欠佳等问题，利用图神经网络学习推理网络关系数据的特点，结合捕获的网络全局信息，提出了一种基于图神经网络的网络性能智能预测方法。通过网络系统抽象及网络性能建模，将复杂的网络信息转化为形式化的图数据进行描述，利用图空域卷积处理图网络节点的消息传递过程，实现网络信息之间的关系推理，研究了实现网络性能预测的图神经网络模型，提出了一种能处理流量矩阵、网络拓扑、路由策略、节点配置的图神经网络体系结构，最后通过实验论证了模型能更好地实现包括时延、抖动和丢包率的网络性能的准确预测。     

结合结构学习的多头密集连接图池化模型

目的:利用图神经网络，构建带有结构学习的多头密集连接图池化模型并用于图分类任务。方法:首先，用图卷积神经网络提取节点的初始特征。其次，用多头密集连接网络学习节点重要性得分，并根据得分进行节点采样得到池化图。之后，对池化图中的节点进行结构学习，以保证图结构的完整性。最后，将学到的图表示放到分类器中，完成图分类任务。结果:与其他图分类模型在七个广泛使用的数据集上进行实验对比，我们构建的模型在五个数据集上的分类结果达到最优。结论:结合结构学习的多头密集连接图池化模型在图分类任务中具有先进性。