2025年前后我国铜消费将出现1200万吨的“拐点”

数据显示,2018年我国GDP仅占世界15.84%,但铜消费量高达1185万吨、占世界总量的48.36%,与GDP占比很不平衡。中国有色金属工业协会副秘书长兼重金属部主任胡长平认为,我国铜消费已形成巨大“堰塞湖”。在这一现状下,铜产业在双循环过程中很可能变成双挤压。他建议,一方面要充分发挥国内超大规模市场优势,打造未来发展新优势;另一方面,要以国内大循环为主体,使国内和国际市场更好联通,推动构建铜产业命运共同体。     

模具行业信息

2020年全年我国机械工业增加值同比增长6%,比一季度、上半年和前三季度分别回升25、7.5和2.2个百分点,且高于全年全国工业和制造业增加值增速3.2和2.6个百分点,并超出年初预期。国家统计局数据显示,2020年全年我国机械工业增加值同比增长6%,比一季度、上半年和前三季度分别回升25、7.5和2.2个百分点,且高于全年全国工业和制造业增加值增速3.2和2.6个百分点,并超出年初预期。     

十字域去噪技术在沙漠低信噪比地区的应用

十字域去噪技术是一种三维锥体滤波,最广泛应用在针对面波噪音的去除上。古城地区由于受地表巨厚沙丘影响及地震地质条件的限制,野外采集的地震资料信噪比很低,不仅存在高能面波干扰,还存在很强的高速折射波噪音,检波点域线性干扰尤其严重。根据古城地区原始地震资料噪音特点,分别针对低速低频面波噪音和高速高频折射波噪音的设计滤波器,两次应用十字域去噪技术,在最大程度保护信号的同时,有效地去除了面波和折射波等线性干扰,提高了资料信噪比,改善了成像质量,取得了很好的效果。实际应用表明,十字域去噪技术相比传统的二维F-K滤波具有明显的优势。     

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.     

一种低载噪比突发扩频信号的快速捕获方法实现

针对突发扩频信号用户资源扩大、终端功率降低、系统容量提升等需求,提出了一种低载噪比突发扩频信号的快速捕获硬件实现方法。采用分段匹配滤波器加多普勒并行相干积累的方法,基于硬件实现从算法到工程进行全流程优化设计,最终实现最优的捕获性能。应用结果表明,该硬件设计实现方案的快速捕获性能优越,设计方案正确、可行,已成功应用于工程建设中。     

基于双时间点检测的毫米波雷达人流量监测方法

针对现有基于视频监控的人流量统计方案成本高、算法复杂且不利于个人隐私保护的局限性，利用毫米波雷达体积小、成本低、分辨率高的特点，提出了一种基于双时间点检测的人流量监测方法。该方法先获取人体目标散射点位置和多普勒频移信息来构成点云数据，然后根据多普勒频移正负来判断人体的运动方向，并筛选具有高多普勒频移值的点云数据以降低干扰点对聚类结果的影响；在双时间点对特定区域内人员数量进行统计，并根据双时间点之间所获取的点云数据聚类结果对所统计人员数据进行修正。实验结果表明，该方法能够用匿名的方式以较高的正确率统计人员进出。     

基于面元素重排的三维网格模型数据隐藏算法

目的 为了解决目前三维数据隐藏算法不能兼顾无失真和盲提取的问题，提出一种新的完全无失真的三维网格模型数据隐藏盲算法。方法 首先使用混沌逻辑映射选择嵌入与提取模式，保证数据的安全性。然后利用面元素重排，完全不会造成三维模型失真的性质，通过不同嵌入模式规则对三角面元素进行重排，以嵌入秘密数据。接收端则可根据相应的提取模式规则提取秘密数据。结果 仿真结果与分析表明，该算法不会对三维模型造成任何失真，嵌入容量为每顶点2比特，且能抵抗仿射变换攻击、噪声攻击和平滑攻击等。结论 这种三维数据隐藏盲算法无失真，容量大、安全性高、鲁棒性强，适用于三维载体不容修改的情形，如军事、医学、秘密通信和版权保护等。     

基于VMD和改进TCN的短期光伏发电功率预测

光伏发电功率存在波动性,且光伏出力易受各种气象特征影响,传统TCN网络容易过度强化空间特性而弱化个体特性。针对上述问题,文中提出一种基于VMD和改进TCN的短期光伏发电功率预测模型。通过VMD将原始光伏发电功率时间序列分解为若干不同频率的模态分量,将各个模态分量以及相对应的气象数据输入至改进TCN网络进行建模学习。利用中心频率法确定VMD的最优分解模态分解个数。在传统TCN预测模型的基础上,使用DropBlock正则化取代Dropout正则化以达到抑制卷积层中信息协同的效果,并引入注意力机制自主挖掘并突出关键气象输入特征的影响,量化各气象因素对光伏发电的影响,从而提高预测精度。以江苏省某光伏电站真实数据为例进行仿真实验,结果表明所提预测方法的RMSE为0.62 MW,MAPE为2.03%。