多层圆片级堆叠THz硅微波导结构的制作

基于微电子机械系统(MEMS)工艺,提出一种多层圆片堆叠的THz硅微波导结构及其制作方法。为了验证该结构在制作THz无源器件中的优势,基于6层圆片堆叠的硅微波导结构,设计了一种中心频率365 GHz、带宽80 GHz的功率分配/合成结构,并对其进行了仿真。研究了制作该结构的工艺流程,攻克了工艺过程中的关键技术,包括硅深槽刻蚀技术和多层热压键合技术,并给出了工艺结果。最终实现了多层圆片堆叠功率分配/合成结构的工艺制作和测试。测试结果表明,尽管样品的插入损耗较仿真值增加3 dB左右,考虑到加工误差和夹具损耗等情况,样品主要技术指标与设计值较为一致。     

Modeling Alcohol Dehydrogenase Catalysis in Deep Eutectic Solvent/Water Mixtures

The use of oxidoreductases (EC1) in non-conventional reaction media has been increasingly explored. In particular, deep eutectic solvents (DESs) have emerged as a novel class of solvents. Herein, an in-depth study of bioreduction with an alcohol dehydrogenase (ADH) in the DES glyceline is presented. The activity and stability of ADH in mixtures of glyceline/water with varying water contents were measured. Furthermore, the thermodynamic water activity and viscosity of mixtures of glyceline/water have been determined. For a better understanding of the observations, molecular dynamics simulations were performed to quantify the molecular flexibility, hydration layer, and intraprotein hydrogen bonds of ADH. The behavior of the enzyme in DESs follows the classic dependence of water activity (a_W) in non-conventional media. At low a_W values (<0.2), ADH does not show any activity; at higher a_W values, the activity was still lower than that in pure water due to the high viscosities of the DES. These findings could be further explained by increased enzyme flexibility with increasing water content.     

鑫达黄金矿业急倾斜薄矿体中深孔采矿方法的研究与优化

近年来，随着开采技术的发展，急倾斜薄矿脉采用中深孔采矿越来越多。为了降低生产成本，提高经济效益和安全系数。通过在矿房对扇形中深孔和平行中深孔进行现场试验，得到扇形中深孔比平行中深孔工程量少、千吨采切比小的结论。将扇形中深孔采矿方法在急倾斜薄矿脉中进行推广应用，取得了一定经济效益。     

矿山深部开采岩体稳定性监测技术研究

针对矿山深部开采过程中易发生地压动力灾害的问题，基于微震监测技术，结合矿山实际特点建立岩体稳定性监测系统。优化台网设计，通过定点爆破的方法进行波速校正，最终建立了定位误差在10m,灵敏度在-2.2的监测台网。对监测数据进行波形拾取，分析微震事件时空演化特征，圈定潜在危险区域，并对潜在危险区域围岩变形损伤进行分析。最终总结出微震事件大幅度上升且处于较高水平、空间分布高度集聚、能量指数突然下降而累计视体积迅速上升的动力灾害预警前兆。研究结果可为深部开采岩体稳定性监测提供参考。     

基于卷积神经网络的葡萄叶片氮含量识别方法

为实现对葡萄叶片氮素含量快速、便捷的识别，在卷积神经网络VGG-16网络结构基础上，将数据增广后的图像按不同梯度划分进行模型训练，通过十折交叉验证法探究最佳的训练集与验证集分配比例，并构建4个不同深度的网络模型进行训练对比，采用全局平均池化代替全连接层约简网络参数量。训练结果表明，氮含量梯度设为0.70%、0.35%和0.175%时，室内简单背景识别准确率分别为85.9%、76.2%和71.1%；晴天室外复杂背景下识别准确率分别为44.6%、35.0%和30.4%。研究结果表明利用VGG-16建立的网络学习模型对葡萄叶片氮含量识别提供了一种新的便捷方法，对农业信息化和智能化技术应用具有一定促进作用。     

R2D2: A scalable deep learning toolkit for medical imaging segmentation

Deep learning has gained a significant popularity in recent years thanks to its tremendous success across a wide range of relevant fields of applications, including medical image analysis domain in particular. Although convolutional neural networks (CNNs) based medical applications have been providing powerful solutions and revolutionizing medicine, efficiently training of CNNs models is a tedious and challenging task. It is a computationally intensive process taking long time and rare system resources, which represents a significant hindrance to scientific research progress. In order to address this challenge, we propose in this article, R2D2, a scalable intuitive deep learning toolkit for medical imaging semantic segmentation. To the best of our knowledge, the present work is the first that aims to tackle this issue by offering a novel distributed versions of two well-known and widely used CNN segmentation architectures [ie, fully convolutional network (FCN) and U-Net]. We introduce the design and the core building blocks of R2D2. We further present and analyze its experimental evaluation results on two different concrete medical imaging segmentation use cases. R2D2 achieves up to 17.5× and 10.4× speedup than single-node based training of U-Net and FCN, respectively, with a negligible, though still unexpected segmentation accuracy loss. R2D2 offers not only an empirical evidence and investigates in-depth the latest published works but also it facilitates and significantly reduces the effort required by researchers to quickly prototype and easily discover cutting-edge CNN configurations and architectures.     

命名实体识别技术综述

命名实体识别是自然语言处理中的热点研究方向之一,目的是识别文本中的命名实体并将其归纳到相应的实体类型中。首先阐述了命名实体识别任务的定义、目标和意义,分析提出了命名实体识别的主要难点在于领域命名实体识别局限性、命名实体表述多样性和歧义性、命名实体的复杂性和开放性;然后介绍了命名实体识别研究的发展进程,从最初的规则和字典方法到传统的统计学习方法再到现在的深度学习方法,不断地将新技术应用到命名实体识别研究中以提高性能;接着系统梳理了当下命名实体识别任务中的若干热门研究点,分别是匮乏资源下的命名实体识别、细粒度命名实体识别、嵌套命名实体识别以及命名实体链接;最后针对评判命名实体识别模型的好坏,总结了常用的若干数据集和实验测评指标,并给出了未来的研究建议。     

单组份聚氨酯炮孔填塞剂应用性试验

炮孔填塞是爆破施工过程中的一个关键环节,也是践行精细爆破设计理论的重要措施。传统的炮泥填塞存在着诸多不足,为此,研制了以聚氨酯为基材的TK炮孔填塞剂,通过大量基础性能研究和隧道现场工业性试验,论证了其作为炮孔填塞材料可降低炸药单耗,提高单循环进尺和炮孔利用率,减小空气冲击波、爆破噪声等有害效应的影响,且是安全可靠的。TK炮孔填塞剂优良的填塞效果、方便快捷的施工方法及显著的经济效益,方便于在爆破工程中推广应用。     

改进的卷积神经网络单幅图像超分辨率重建

针对经典的基于卷积神经网络的单幅图像超分辨率重建方法网络较浅、提取的特征少、重建图像模糊等问题，提出了一种改进的卷积神经网络的单幅图像超分辨率重建方法，设计了由密集残差网络和反卷积网络组成的新型深度卷积神经网络结构。原始低分辨率图像输入网络，利用密集残差学习网络获取更丰富的有效特征并加快特征梯度流动，其次通过反卷积层将图像特征上采样到目标图像大小，再利用密集残差学习高维特征，最后融合不同卷积核提取的特征得到最终的重建图像。在Set5和Set14数据集上进行了实验，并和Bicubic、K-SVD、SelfEx、SRCNN等经典重建方法进行了对比，重建出的图像在整体清晰度和边缘锐度方面更好，另外峰值信噪比（PSNR）平均分别提高了2.69?dB、1.68?dB、0.74?dB和0.61?dB。实验结果表明，该方法能够获取更丰富的细节信息，得到更好的视觉效果，达到了图像超分辨率的增强任务。     

面向任务口语理解研究现状综述

口语理解是对话系统重要的功能模块，语义槽填充和意图识别是面向任务口语理解的两个关键子任务。近年来，联合识别方法已经成为解决口语理解中语义槽填充和意图识别任务的主流方法，介绍两个任务由独立建模到联合建模的方法，重点介绍基于深度神经网络的语义槽填充和意图识别联合建模方法，并总结了目前存在的问题以及未来的发展趋势。