基于时频域的卷积神经网络运动想象脑电信号识别方法

针对目前运动想象脑电（EEG）信号识别率较低的问题，考虑到脑电信号蕴含着丰富的时频信息，提出一种基于时频域的卷积神经网络（CNN）运动想象脑电信号识别方法。首先，利用短时傅里叶变换（STFT）对脑电信号的相关频带进行预处理，并将多个电极的时频图组合构造出一种二维时频图；然后，针对二维时频图的时频特性，通过一维卷积的方法设计了一种新颖的CNN结构；最后，通过支持向量机（SVM）对CNN提取的特征进行分类。基于BCI数据集的实验结果表明，所提方法的平均识别率为86.5%，优于其他传统运动想象脑电信号识别方法；同时将该方法应用在智能轮椅上，验证了其有效性。     

低温复合相变材料正辛酸-癸酸的制备及性能分析

将正辛酸(OA)与癸酸(CA)按比例混合制备二元复合相变材料OA-CA,用于相变温度2～8℃的医药冷藏运输系统中。首先通过理论计算预测了二元混合物的共晶点,确定它的共晶点比例、相变温度及潜热值,然后围绕共晶点比例配制6种不同比例的混合物。结果表明:OA-CA的过冷度为0.4℃、共晶点质量比为71∶29、相变温度为1.7℃、相变潜热为122.1J/g、热导率为0.3231W/(m·K)。对OA-CA低温复合相变材料进行100次循环蓄放冷实验,发现其相变温度、潜热值、热导率均未发生明显变化。     

自然循环工况下离心泵阻力特性的实验研究与数值模拟

停转后泵的阻力特性对自然循环流量影响明显。为研究低流量自然循环工况下离心泵的阻力特性，设计了实验台架，对离心泵的正向压降、反向压降和损失系数进行了测量，实验雷诺数为2.0×10⁴～1.5×10⁵。实验表明：相同雷诺数下，反向压降明显高于正向压降；雷诺数大于8×10⁴时，损失系数基本保持不变，而低雷诺数下损失系数随雷诺数的降低有增大的趋势；基于实验得到了损失系数的经验关系式。采用CFD方法对离心泵的内部流场进行了模拟，计算表明：CFD方法能较好地预测损失系数，RNG k-ε模型与实验值的相对误差不超过10%；离心泵的压力损失主要集中在叶轮、导叶等结构的交界区域；正向与反向流动的流场分布存在显著区别；低雷诺数下局部流动更加不稳定。     

卷积深度神经网络在基于文档的自动问答任务中的应用与改进

基于文档的自动问答,尤其是语义匹配,其目标是计算两个文本之间的相似度。这是自然语言处理中的典型任务,并且用以衡量对自然语言的理解程度。深度学习方法得益于可以自动化地学习到给定任务的最优特征表示,在许多研究中取得成功,也包括文本匹配。针对基于文档的自动问答,提出一个基于卷积深度神经网络的语义匹配模型,以便对每一对问题和文档提取特征,并据此计算它们的得分。通过问题和文档之间的交互计算,利用重叠词等文本特征,在中文开放域上的自动问答任务中取得的实际效果证明了该模型的有效性。     

基于三值Walsh插值函数的PSWF重构方法

针对采用二值Walsh函数重构椭圆球面波函数(PSWF)精度不高的问题,通过理论分析的方式,将二值Walsh插值函数推广为三值Walsh插值函数,并依据其完备正交性,提出基于三值Walsh插值函数的PSWF重构方法。在此基础上,对运算量、信号精度、信号性能等进行数值分析。结果表明,相比于二值Walsh函数重构法,在运算量基本持平的基础上,提出的方法能够在相同采样点数量的情况下,使得时域重构信号的精度至少提升5个数量级,且时域正交性较好,频域能量聚集度也有1个数量级的提高。     

基于多尺度双线性卷积神经网络的多角度下车型精细识别

针对多角度下车辆出现一定的尺度变化和形变导致很难被准确识别的问题，提出基于多尺度双线性卷积神经网络（MS-B-CNN）的车型精细识别模型。首先，对双线性卷积神经网络（B-CNN）算法进行改进，提出MS-B-CNN算法对不同卷积层的特征进行了多尺度融合，以提高特征表达能力；此外，还采用基于中心损失函数与Softmax损失函数联合学习的策略，在Softmax损失函数基础上分别对训练集每个类别在特征空间维护一个类中心，在训练过程中新增加样本时，网络会约束样本的分类中心距离，以提高多角度情况下的车型识别的能力。实验结果显示，该车型识别模型在CompCars数据集上的正确率达到了93.63%，验证了模型在多角度情况下的准确性和鲁棒性。