排序方式: 共有50条查询结果,搜索用时 15 毫秒
41.
为了使Al/AP双组元粉末火箭发动机密度比冲最大化,将燃烧室特征长度由2.31 m增至 12.62 m进行了Al/AP粉末火箭发动机点火测试.采用光谱仪、CCD 相机、CO2 激光点火器等对 Al/AP 混合物在 1.0132 5 × 105 Pa的氮气环境中的点火延迟、燃烧时间、燃烧平稳性等燃烧性能进行了研究.测量了Al颗粒的表观堆积密度.作为一种替代燃料,对镁颗粒也进行了研究.结果表明,增加燃烧室特征长度至 12.62 m 时,可以得到最大燃烧室压强振荡幅度±2 .43%的平稳燃烧性能.含粒径 1μm 铝粉的 Al/AP 混合物其燃烧过程的光强远大于含粒径10μm铝粉的样品,并且其在波长 568 nm 发射光谱的光子数强度超过了光谱仪检测上限(65 000 数).而含粒径10μm铝粉样品燃烧过程的568 nm发射光谱信号出现间断且其全程强度低于 19 036 数.粒径 10μm 铝粉点火延迟时间为粒径1μm铝粉点火延迟时间的3.65 倍,燃烧时间为3.03 倍以上,最大RAlO却比 1μm铝粉少 14.3%,密度低21 .3%,说明粒度小的铝粉具有更好的燃烧性能,但是其堆积密度也更低.虽然Mg/AP的理论比冲为Al/AP的95.6%,但是其堆积密度比粒径1μm铝粉高8%,其点火延迟时间比粒径10μm铝粉短 90.3%.火焰照片也表明镁粉可在很大程度上减少凝相沉积. 相似文献
43.
方面级情感分析的目的在于判断文本在不同方面的情感极性.以往的研究大多集中在基于无权的句法依存树来构建网络模型.由于方面词和非方面词的句法依存关系对于目标情感的重要性是不同的,提出了基于权重增强并结合图卷积的神经网络模型(AW-IGCN).通过带权矩阵来储存更完整的句法结构,同时利用GRU来获得上下文信息,并输入到改良的... 相似文献
44.
惠州抽水蓄能电站A厂上游水道最大静水头达627 m,高压水道场区水文地质条件极其复杂,场区张扭性断裂较发育,透水性好。在这种地质构造区的高压水道采用钢筋混凝土衬砌,按透水衬砌理念设计国内外尚无成功先例。A厂上游水道充水试验期间出现了较大的渗漏。在高压水道渗漏处理过程中通过摸索、研究,总结出一系列防渗处理技术措施,有效地攻克了强透水性、张扭性地质构造区高压水道防渗处理的难题。 相似文献
45.
46.
47.
为了综合得到具有最优传递性能和大姿态角的一类两移两转(2T2R)并联机构,结合螺旋理论和支链构造法,提出了一种并联机构型综合方法。以2-RPS机构作为基础支链,运用螺旋理论对新增支链的约束类型进行分类,给出了支链构造准则,确保并联机构自由度不变;结合机构运动和力传递特性,利用螺旋理论筛选出具有最优传递性能指标的机构支链,构型综合出具有最优传递性能的2T2R并联机构;最后,对一种新型2-RPS-UPS并联机构进行了运动学分析,借助Matlab求解出了机构工作空间。结果表明,新构型综合的并联机构具有最优传递性能和良好的姿态能力。 相似文献
48.
近年来,基于教师-学生的知识蒸馏框架在图神经网络方面取得了较好的表现.然而这类知识蒸馏框架仍存在一些问题,如教师模型的知识信息不够全面,不能很好地指导学生模型;学生模型自身学习能力较差.为了解决这两方面的问题,本文提出了基于双通道知识蒸馏的节点分类方法.具体而言,该方法引入双教师模型,分别从拓扑结构和特征属性两个方面进行学习,保证了教师模型知识信息的多样性和全面性.学生模型采用参数化标签传播和邻居特征聚合两种预测机制,保证其具有更好的学习能力.最终,双教师模型分别从拓扑结构和特征属性两个方面对学生模型进行指导.在5个真实数据集上的实验结果表明该模型与最优基准模型相比具有更好的分类效果. 相似文献
49.
在小样本文本分类领域中,查询集和支持集的特征提取是影响分类结果的关键之一,但以往的研究大多忽略了两者之间存在匹配信息且在各自的信息提取中忽略了特征间的重要性程度不同,因此提出了一种新的小样本分类模型.模型结合GRU的全局信息提取能力和注意力机制的局部细节学习能力对文本特征进行建模,同时采用双向注意力机制来获取支持样本与查询样本间的交互信息,并创新性的提出“类生成器”用以区分同类样本间的不同重要性同时生成更具判别性的类别表示.此外,为了获得更为清晰的分类界限,还设计了一个原型感知的正则化项来优化原型学习.模型在2个小样本分类数据集上进行了实验,均取得了比目前最优基线模型更好的分类效果. 相似文献
50.
随着互联网的快速发展,社交媒体成为了新闻发布和传播的主要平台,如何准确识别虚假新闻已成为研究热点。现有的基于深度学习的虚假新闻检测方法在面对噪声和敌对信息时缺乏鲁棒性。为了应对这一挑战,该文提出了一种对抗图增强对比学习的方法,该方法引入对抗对比学习,使模型抓住少量但充分的信息完成增强图与原始图之间的互信息最大化,在进行训练时重点捕捉有用信息。同时,该模型还利用了特征增强器和图表示对比学习进行图表示增强,加强特征学习。在两个公共数据集上进行的实验表明,该模型在现有基线上达到了最优的性能。 相似文献