我国农业气象灾害特征及防灾减灾对策

我国属于一个农业大国,因此,对于农业生产提出了高度的重视,而在开展农业生产期间,极容易受到气象灾害的威胁,从而导致农业生产受到极其严重的影响。由此可见,对我国农业气象灾害的特征展开分析,并且对相关的防灾减灾对策做出探讨,是确保我国农业生产效率提升的重要措施。     

2.5 GHz城市环境电磁态势的计算与补偿

复杂城市空间的电磁态势分布可以通过电磁场数值计算的方法进行预测。文章使用矩量法(MOM)结合一致性几何绕射理论(UTD)的方法对2.5 GHz频率下某小区环境中的电磁态势进行了仿真计算以及实际测量。场景中的树木结构在此频率下显示出比较强烈的波动性,对电磁仿真计算结果产生了不可忽略的影响,文中将其对仿真计算结果的影响进行了单独建模仿真,给出其产生影响的经验值,对仿真结果进行修正。修正结果与测量结果对比证明该经验值在该频率下可以有效补偿计算结果的缺失。     

投稿须知

1稿件内容。要求《中国宝玉石》杂志的主要文章分为以下版块:理论研究、学科前缘、教研实践、行业动态、名家与名校。1.1理论研究:包括以下三类文章:①选定某种宝玉石作为研究对象,对其宝石及岩矿特征、谱学特征、光学特性、热力学性质等进行测试分析,可涉及新宝石种类介绍、宝玉石定名、宝玉石质量评价、优化/处理/合成品鉴别、成因产状推断等方面,以分析技术及其应用为核心,突出文章采用的多种分析测试技术取得的成果、发现和创新,鼓励学科交叉。     

基于深度一维残差卷积自编码网络的齿轮箱故障诊断

一维振动信号常常被用于齿轮箱的监测与故障诊断中,使得能及时地对齿轮箱维护以减少损失。因此,从一维振动信号中提取出关键故障特征决定了故障诊断模型的准确性与可靠性。典型的深度神经网络(deep neural network, DNN),如卷积神经网络已经在故障诊断中表现出良好的性能并得到了广泛的应用,但其监督式训练方式往往需要大量的标签数据而限制了其可应用性。因此,提出一种新的深度神经网络模型,一维残差卷积自编码器(1-dimension residual convolutional auto-encoder,1DRCAE),成功应用于振动信号的无监督学习及故障特征提取,显著提高了齿轮箱的故障诊断率。首先,提出了一维卷积层与自编码器的有效集成方法,形成了深度一维卷积自编码器;其次,引入残差学习机制训练一维卷积自编码器,实现对一维振动信号有效地特征提取;最后,基于编码器提取的特征,使用少量标签数据进行分类微调实现齿轮箱故障模式识别。通过齿轮箱试验台采集的传感器数据进行实验验证表明,这种无监督学习方法具有良好的去噪能力和故障特征提取能力,其特征提取效果好于典型的深度神经网络,如深度置信网络(Deepbeliefnetwork,DBN)和堆叠自编码网络(Stackedauto-encoders,SAE),同时故障诊断效果也优于一维卷积神经网络(1-dimension convolutional neural network, 1DCNN)。