煤层底板水害三维监测与智能预警系统研究

针对华北型煤田煤层底板突水监测点覆盖不全、智能化水平不高等问题,以底板"下三带"理论为基础,提出集多频连续电法充水水源监测、"井-地-孔"联合微震采动底板破坏带监测以及监测大数据智能预警为一体的煤层底板突水三维监测与智能预警技术思路。其中多频连续电法监测系统以伪随机多频序列为人工场源,利用伪随机相关辨识技术提取强噪声背景中的弱信号,采用拟高斯-牛顿法对预处理数据进行三维电阻率反演,实现对煤层底板充水水源变化过程的自动化三维监测;"井-地-孔"联合微震监测系统主要通过研制带推靠的孔中传感器及回收装置,实现微震传感器"井-地-孔"三维立体布署,采用井下有线(IEEE1588)和地面无线(GPS)时钟同步方式解决地面与井下采集设备的时钟同步问题,建立起"井-地-孔"监测数据的实时传输网络,基于偏振分析联合反演的三分量定位算法,实现采动底板破坏深度时空精细定位与实时监测;智能预警系统利用时序大数据挖掘技术与计算机深度学习技术对电法、微震多元时序监测数据进行分析和处理,采用指标预警和模型预警方法对监测数据空间展布和预警级别以三视热力图形式输出,实时显示煤层底板各网格的预警等级,从而形成煤矿底板水害三维监测与智能预警技术体系。最后,以河北葛泉矿东井11916采煤工作面为应用对象,采用多频连续电法监测系统、"井-地-孔"联合微震监测系统,以及基于时空监测数据的智能预警系统对煤层底板岩溶水害进行三维监测与智能预警,为我国华北型煤田煤层底板水害监测预警提供了新的技术与装备支撑。     

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)。     

究竟值几星?钉钉

最近,不少中小学生给《钉钉》打了“一星差评”,这是因为《钉钉》为学生们提供了一个在线学习渠道。而对于“一星差评”,《钉钉》也识趣地“求饶”。但摒除偏见,《钉钉》究竟能值几星?一份完整的线上协同方案,一场全社会的云办公实验作为阿里巴巴旗下的优质产品,《钉钉》本身是一款专为企业打造的工作沟通、协同、智能移动办公平台,它为企业提供了安全高效的即时通讯解决方案,并且为企业量身定制免费OA办公系统,大幅提高了工作效率.     

扩展稀疏表示稳健HRRP目标特征提取方法

为提高低信噪比下高分辨一维距离像目标识别性能，提出扩展稀疏表示的噪声稳健目标特征提取方法。本方法通过对稀疏表示的扩展，实现对目标高分辨一维距离像局部特征与全局特征的提取。其中，在训练阶段利用支持向量理论与字典学习原理，对特征提取字典进行优化提高特征向量的可分性。在测试阶段，利用因子分析模型匹配方法对去噪声字典进行优化，从而实现对噪声的有效抑制，保证了目标识别系统的噪声稳健性。利用实测数据对本方法性能进行测试，结果表明本方法可在低信噪比条件下有效地恢复目标高分辨一维距离像，并实现较高的识别正确率。     

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。     

改进的基于卷积神经网络的图像超分辨率方法

图像超分辨率是计算机视觉领域的经典问题。使用深度神经网络来解决图像超分辨率的问题目前得到越来越多的研究学者的关注和青睐。为改善基于卷积神经网络的图像超分辨率方法的图像生成效果,提出一种改进的方法。在神经网络层中加深网络层数,并且针对加深网络可能出现的退化现象引入残差网络结构,并将图像上采样步骤放入网络中。实验表明,在与传统的插值法和原始的基于卷积神经网络方法的对比中,该优化方法生成的图像观感更加锐利清晰、细节丰富,而且无论在峰值信噪比和结构相似性上均有明显提高,验证了该方法的有效性。