正丁基硫醇-正辛烷体系等压气液相平衡研究

利用双循环气液平衡釜测定了101.3 kPa下正丁基硫醇-正辛烷体系的气液平衡数据,并运用该实验结果,进一步获得组分的液相活度系数。实验数据经Herrington方法检验符合热力学一致性。用UNIQUAC热力学模型对该实验数据进行处理,计算结果与实验值的平均绝对偏差为0.050 5。     

正交拉普拉斯语种识别方法

提出了一种正交拉普拉斯语种识别方法,即在提取语音的i-vector后,采用正交局部保持投影进行子空间映射,将信号整体空间映射到语言信息加信道信息子空间,然后对映射后的矢量进行信道补偿处理,最后用支持向量机进行识别. 尽管i-vector最大限度地保留了语音的声学信息,但是并没有发现这些信息之间的内在结构. 利用正交局部保持投影在去除声学无关信息的基础上,进一步发现声学特征的内在结构,能够有效地提高特征的区分性. 在对NIST LRE 2003测试数据库实验后,发现新方法相较于基线系统来说,平均代价降低了28.91%.     

立体传质塔板CTST技术及其在炼油装置中的应用

介绍了新型高效喷射型塔板--立体传质塔板CTST的安装结构与工作原理,并对基本的水力学性能进行了研究,包括物沫夹带、塔板压降、消泡和抗堵等性能.CTST成功应用到炼油装置的常压蒸馏、催化裂化、脱硫再生、污水汽提等装置的塔器中,应用结果表明CTST塔板的处理能力比F1浮阀塔板高一倍,具有很好的消泡和抗堵性能,而且扩产后的塔板效率高于以前的塔板.     

进近着陆阶段自动飞行工作模式设计与仿真

针对大型客机进近着陆阶段自动飞行工作模式转换逻辑中潜在的条件冲突、模式耦合等设计问题,研究了基于有限状态机理论的工作模式转换逻辑设计方法.首先对进近着陆阶段进行详细分析,设计了所需自动飞行工作模式.其次,将工作模式抽象成离散事件并基于有限状态机理论进行进近着陆全过程工作模式状态机设计.然后利用MATLAB/Stateflow 构建进近着陆全过程工作模式转换模型.最后,通过正常进近着陆及着陆复飞过程的仿真,对上述方法进行了验证.验证结果表明,所设计的自动飞行工作模式在进近着陆阶段各种条件下均能正确地完成逻辑转换.     

凸轮专用数控机床主轴的优化设计

本文以最小主轴重量及主轴前端挠度为优化目标，采用统一目标的线性组合法，引入加权因子，建立了一个统一的优化目标函数，对机床主轴进行了多目标优化设计，使优化结果更符合实际。     

卷积神经网络表征可视化研究综述

近年来, 深度学习在图像分类、目标检测及场景识别等任务上取得了突破性进展, 这些任务多以卷积神经网络为基础搭建识别模型, 训练后的模型拥有优异的自动特征提取和预测性能, 能够为用户提供“输入–输出”形式的端到端解决方案. 然而, 由于分布式的特征编码和越来越复杂的模型结构, 人们始终无法准确理解卷积神经网络模型内部知识表示, 以及促使其做出特定决策的潜在原因. 另一方面, 卷积神经网络模型在一些高风险领域的应用, 也要求对其决策原因进行充分了解, 方能获取用户信任. 因此, 卷积神经网络的可解释性问题逐渐受到关注. 研究人员针对性地提出了一系列用于理解和解释卷积神经网络的方法, 包括事后解释方法和构建自解释的模型等, 这些方法各有侧重和优势, 从多方面对卷积神经网络进行特征分析和决策解释. 表征可视化是其中一种重要的卷积神经网络可解释性方法, 能够对卷积神经网络所学特征及输入–输出之间的相关关系以视觉的方式呈现, 从而快速获取对卷积神经网络内部特征和决策的理解, 具有过程简单和效果直观的特点. 对近年来卷积神经网络表征可视化领域的相关文献进行了综合性回顾, 按照以下几个方面组织内容: 表征可视化研究的提起、相关概念及内容、可视化方法、可视化的效果评估及可视化的应用, 重点关注了表征可视化方法的分类及算法的具体过程. 最后是总结和对该领域仍存在的难点及未来研究趋势进行了展望.     

集散式控制系统在砼生产中的应用

在施工中,我们开发了搅拌楼（站）微机配料集散式自动控制系统,本文论述了该系统的组成及工作原理,通过尽两年的应用,表明该系统可靠性高、通用性强、操作简单、有良好的抗干扰措施。     

一种基于RBM的深层神经网络音素识别方法

为提高连续语音识别中的音素识别准确率,采用深可信网络提取语音音素后验概率进行音素识别.首先利用受限玻尔兹曼机的学习原理,对深可信网络进行逐层的预训练;然后通过增加一个“软最大化（softmax）”输出层,得到用于音素状态后验概率检测的深层神经网络,并采用后向传播算法进行网络权值的精细调整;最后以后验概率为HMM发射概率,使用Viterbi解码器进行音素识别.针对TIMIT语料库的实验结果表明,该系统的音素识别率优于GMM/HMM,MLP/HMM和TANDEM系统性能.     

基于稀疏组LASSO约束的本征音子说话人自适应

本征音子说话人自适应方法在自适应数据量不足时会出现严重的过拟合现象,提出了一种基于稀疏组LASSO约束的本征音子说话人自适应算法。首先给出隐马尔可夫—高斯混合模型下本征音子说话人自适应的基本原理;然后将稀疏组LASSO正则化引入到本征音子说话人自适应,通过调整权重因子控制模型的复杂度,并通过一种加速近点梯度的数学优化算法来实现;最后将稀疏组LASSO约束的自适应算法与当前多种正则化约束的自适应方法进行比较。汉语连续语音识别的说话人自适应实验表明,引入稀疏组LASSO约束后,本征音子说话人自适应方法的性能得到了明显提高,且稀疏组LASSO约束方法优于l1、l2和弹性网正则化方法。