基于注意力机制与文本信息的用户关系抽取

随着社交媒体的发展,用户之间的关系网络对于社交媒体的分析有很大的帮助。因此,该文主要研究用户好友关系检测。以往的关于用户好友关系抽取的研究主要基于社交媒体上的结构化信息,比如其他好友关系,用户的不同属性等。但是,很多时候用户本身并没有大量的好友信息存在,同时也不一定有很多确定的属性。因此,我们希望基于用户发表的文本信息来对用户关系进行预测。不同于以往的潜在好友推荐算法,该文提出了一种基于注意力机制以及长短时记忆网络(long short-term memory,LSTM)的好友关系预测模型,将好友之间的评论分开处理,通过分析用户之间的评论来判断是否具备一定的好友关系。该模型将好友双方信息拼接后的结果作为输入,并将注意力机制应用于LSTM的输出。实验表明,用户之间的评论对于好友关系预测确实有较大的实际意义,该文提出的模型较之于多个基准系统的效果,取得了明显的提升。在不加入任何其它非文本特征的情况下,实验结果的准确率达到了77%。     

基于强化学习的HP模型优化方法研究

蛋白质结构预测问题一直是生物信息学中的重要问题。基于疏水极性模型的蛋白质二维结构预测问题是一个典型的NP难问题。目前疏水极性模型优化的方法有贪心算法、粒子群算法、遗传算法、蚁群算法和蒙特卡罗模拟方法等，但这些方法成功收敛的鲁棒性不高，容易陷入局部最优。由此提出一种基于强化学习的HP模型优化方法，利用其连续马尔可夫最优决策与最大化全局累计回报的特点，在全状态空间中，构建基于能量函数的奖赏函数，引入刚性重叠检测规则，充分挖掘生物序列中的全局进化关系，从而进行有效与稳定的预测。以3条经典论文序列和5条Uniref50序列为实验对象，与贪心算法和粒子群算法分别进行了鲁棒性、收敛性与运行时间的比较。贪心算法只能在62.5%的序列上进行收敛，该文方法能在5万次训练后稳定的在所有序列上达到了收敛。与粒子群算法相比，两者都能找到最低能量结构，但该文的运行时间较粒子群算法降低了63.9%。     

高温深井通风降温技术的适用条件研究

随着矿山开采深度的不断增加，“三高一扰动”恶劣开采环境问题日益突出，给矿井通风降温工作带来极大困难。对于深井矿山，仅采用通风降温难以满足深部开采的需要，系统研究高温深井矿山通风降温技术的适用性问题，对矿山深部开采具有重要的理论意义和工程适用价值。首先从热力学角度，揭示风流在通风线路中的热交换规律；其次利用差分法原理计算深井筒风流温度，并依此推导出巷道和回采工作面风流温度变化趋势；然后结合采场安全生产允许温度进行反推，最终获取通风降温条件下的可采极限深度计算公式，并选取广西铜坑矿锌多金属矿体作为工程应用试验区进行论证分析。结果表明：基于风流的热交换模型可以推导出风流在井筒、巷道及工作面的温度计算公式，该公式与低温梯度、风流流经路径长度有关；假定工作面温度达到安全开采允许最高温度，可反推出该条件下矿山可采极限深度和巷道通风极限长度（仅采用通风降温措施时）；基于铜坑矿区锌多金属矿的实际条件，代入相关数据，验证计算所得极限开采深度符合实际，即所推导公式是可行的。     

基于空间合作关系的基站流量预测模型

针对传统的自回归积分移动平均（ARIMA）模型和长短时记忆（LSTM）单元在基站流量预测中没有利用基站（BS）间合作关系的问题，提出一种利用由用户群体在不同基站下访问产生的基站合作关系的流量预测（TPBC）算法。首先，通过基站之间的合作关系构建基站合作网络，并对此合作网络进行社区划分得到基站社区；然后，通过格兰杰因果关系检验方法寻找与目标基站同一社区且关系最紧密的若干基站，作为目标基站的合作基站；最后，使用LSTM和词嵌入层（Embedding）搭建混合神经网络，并根据目标基站和合作基站的流量信息进行流量预测。实验结果表明，TPBC在基站流量预测上的均方根误差（RMSE）相比ARIMA和LSTM分别减小了29.19%和27.47%。TPBC能有效提高基站流量预测准确率，在流量卸载和绿色节能等领域具有重要意义。     

基于深度卷积长短时神经网络的视频帧预测

针对视频帧预测中难以准确预测空间结构信息细节的问题，通过对卷积长短时记忆（LSTM）神经网络的改进，提出了一种深度卷积长短时神经网络的方法。首先，将输入序列图像输入到两个不同通道的深度卷积LSTM网络组成的编码网络中，由编码网络学习输入序列图像的位置信息变化特征和空间结构信息变化特征；然后，将学习到的变化特征输入到与编码网络通道数对应的解码网络中，由解码网络输出预测的下一张图；最后，将这张图输入回解码网络中，预测接下来的一张图，循环预先设定的次后输出全部的预测图。与卷积LSTM神经网络相比，在Moving-MNIST数据集上的实验中，相同训练步数下所提方法不仅保留了位置信息预测准确的特点，而且空间结构信息细节表征能力更强。同时，将卷积门控循环单元（GRU）神经网络的卷积层加深后，该方法在空间结构信息细节表征上也取得了提升，检验了该方法思想的通用性。     

基于卷积神经网络的构件分类策略的研究

为了提高软件复用过程中构件检索的效率，分析了软件构件分类技术的优缺点以及构件特征，从构件刻面信息的角度，采用卷积神经网络技术，提出一种基于卷积神经网络的构件分类策略；利用卷积神经网络对构件刻面特征进行提取，减少人为因素，提高刻面信息提取精确性，并训练出基于卷积神经网络的构件分类模型，通过具体的实验，来论证该模型的准确性，以达到提高构件检索效率的目的。     

Learning about distillation curves as a way to define a process stream from crude petroleum

The advanced courses of Separation Processes use to include some reference to the different types of distillation curves, such as the True Boiling Point (TBP) curves, in order to characterize crude petroleum or its derivatives. The concept of pseudocomponents as well as the way to extract them from a TBP curve can be easily understood by reading classical bibliographic references. Chemical process simulation software packages serve as a useful tool that, once the desired number of pseudocomponents to be considered has been specified, automatically generate them. Nevertheless, the lack of correspondence between cuts of a TBP curve and zones with slight temperature changes makes difficult to identify pseudocomponents and to decide on the adequate number of pseudocomponents to be defined. In this work, a very simple exercise is proposed to introduce the idea of TBP distillation curves in the classroom and to explore their characteristics through the analysis of the influence of the number of extracted pseudocomponents.     

基于CDEGS软件设计的下水库接地网改造

本文利用CDEGS软件,对天荒坪抽水蓄能电站水库区域的土壤及岩石等地质参数进行分析和拟合,并构建土壤的分层模型;然后通过对地网的网格大小、导体的疏密程度、接地网的面积、水平接地体的长度等因素进行经济比较和优化分析,设计出了符合安全标准的水下接地网。结果表明:水下接地网的设计满足设计要求,达到了改善接地网参数性能的目标。     

基于改进灰色-多元回归组合预测模型的燃煤电厂智慧水务研究

以某燃煤电厂水务系统为研究对象，对机组运行参数和水量历史数据进行筛选和关联性分析，根据前期水平衡测试结果，结合响应面分析验证，发现机组负荷、蒸发损失系数、浓缩倍率和循环水温升这四个因素能够对全厂供水量产生关键性影响。基于灰色理论和多元非线性回归分析，分别建立各因素的灰色预测模型GM(1, 1)，再将灰色模型预测值作为自变量输入到多元非线性回归方程中，得到了改进灰色-多元非线性回归组合的供水量预测模型，其模型拟合度R²为0.913且与真实值的平均相对误差为6.9%左右，实现了灰色模型和回归模型优势互补，有效地预测该电厂供水量未来变化；而供水量预测是智慧水务建设的关键所在，是水务管理和智能调度的主要依据，也是实现供水管网漏损和仪表故障报警的重要途径。     

改进Elman神经网络在短期热负荷预测中的应用

热电厂的短期热负荷预测在城市集中供暖中起着至关重要的作用,直接影响热电厂的经济效益和热能利用率。电厂的短期热负荷一般采用神经网络预测模型进行预测,而BP神经网络应用最为广泛。Elman神经网络算法在BP神经网络基础上加入了承接层,作为一步延时算子,实现记忆能力,使系统具备适应时变能力,增强系统全局稳定性。但Elman神经网络算法模型的构造依然需要大量样本的支撑,而且输入层的变量多,导致预测时间依然很长,收敛速度慢。该文在Elman神经网络预测前,进行了相关系数预处理和对样本中异常值的平均化预处理,通过数据归一化运算,使Elman神经网络输入层变量大幅减少。仿真实验表明,改进的Elman神经网络算法使预测模型快速寻优,减少预测时间的同时明显提高预测精度。