基于深度学习的靶蛋白药物重定位研究

笔者提出的靶蛋白药物重定位算法,是十折交叉验证算法思想在医药学领域的一个应用。不同于以往交叉验证算法应用的验证思想,十折交叉验证算法,可以独立应用于药物重定位研究,利用蛋白质相似性构建数学模型进行相似性量化。基于蛋白质相似性的蛋白质-药物作用预测方法,是交叉验证衡量参数和阈值提取的方法。基于此,对该方法的应用前景做了大致推测,并提出了该方法的局限性和改进策略。     

盖革模式雪崩光电二极管的主动淬灭电路研究

紫外光通信作为新型通信方式,在短距离通信领域具有潜在的应用前景。紫外光通信的探测电路可分为线性模式和盖革模式,盖革模式探测电路在系统带宽和探测灵敏度等方面具有显著优点。本文研究了基于盖革模式雪崩光电二极管(Avalanche Photodiode,APD)的单光子探测电路,实现对微弱紫外光信号的探测。采用主动淬灭快恢复电路,通过淬灭信号和恢复信号控制APD阳极电位,从而减小死时间,提高系统的计数上限。实验发现,对于主动淬灭电路而言,当死时间过小时,淬灭时间和恢复时间除了受到淬灭信号和恢复信号控制外,还会受到电路中电容充放电时间的影响。本文从理论和实验两方面研究了电路中电容和电阻对死时间的影响,为进一步缩短死时间提供了理论指导。     

英语核心素养在学习技能课上的教学实践——以译林版牛津教材九上Unit7 Study skills为例

英语学习能力的培养对学生实现英语学习目标和终身学习至关重要。学习能力是构成英语学科核心素养的发展条件。文章基于学习技能课教学的现状,以一节初中英语学习技能课的教学设计为例,尝试以核心素养为引领,对具体的教学实践进行阐述。精彩导入,渗透文化意识;构建思维导图,增加思维广度;阅读联系中考,深化语篇意识;深挖教材内涵,提升跨文化理解。并在案例反思中,对教学策略进行适当的补充。     

基于学习进程的学习评估在大学化学教学中的实践

高等教育质量提升的关键在于课程教学质量的不断完善。作为高等教育的重要环节,化学课程教学在非化学化工专业人才的知识体系构建、能力培养、素质养成方面有着不可或缺的作用。大学化学课程的教学实践表明,基于学习进程的评估有利于激发学生的学习积极性,显著提高教学班的整体成绩并实现课程教学质量的提升。     

基于疲劳与磨损的曲轴主动再制造时机选择

为了解决再制造时机不确定问题,从疲劳和磨损两方面研究了曲轴的主动再制造时机。根据疲劳强度冗余因子及最小油膜厚度临界阈值,提出疲劳主动再制造时机与磨损主动再制造时机的概念。运用非线性多体动力学软件AVL-EXCITE,建立了柴油机连杆大头轴承的弹性液体动力润滑仿真计算模型,用于计算轴承的最小油膜厚度,并以Holland法验证模型的可靠性。综合考虑疲劳和磨损主动再制造时机,建立了曲轴主动再制造时机选择流程,以确定曲轴的最佳再制造时机。以某型号柴油机曲轴为例,验证了所提方法的有效性和可行性。     

基于强化学习的电力市场信息披露程度对市场成员交易行为影响研究

基于信息披露的主体框架，分析披露体系中具体的供需信息对于市场成员的引导作用。建立日前市场的双层竞价优化模型，采用强化学习的方法，通过市场中有无关键供求信息披露对于发电商报价预期的影响，推演模拟不同信息披露程度下发电商报价行为，然后从策略演化过程、策略偏离度以及策略收敛速度3个角度进行信息披露程度对市场成员交易行为影响的定量分析，验证市场供需信息的发布程度对于市场成员的引导作用，最后基于推演结果进行总结，并对我国信息披露的建设提出建议与思考。     

射电望远镜主动面促动器的电磁辐射分析

主动面控制技术是当前大口径、高精度射电望远镜广泛使用的主动补偿技术,其包含的促动器在补偿面形精度的同时也辐射电磁波并影响射电天文观测。文中结合目前研究现状,对极低电磁辐射要求下的促动器进行辐射源分析,重点针对促动器控制板上信号建立数学模型,并选取晶振回路计算,合理设定印制板及器件的参数,通过Ansys 软件进行频域有限元分析,得到控制板晶振回路的辐射结果和规律。用近场测试验证了文中方法的有效性。该研究为促动器控制板的电磁兼容优化设计提供了验证方法,为降低主动面控制系统的电磁辐射奠定了基础。     

基于深度学习的电子商务语音客服中的客户情感研究

为了适应语音客户机器人根据客户情感开展高效服务的需求，研究了提高客户语音情感的识别率方法。首先从电话客服服务器录音中剪辑片段建立了CASIA中文多模态自然情感语料库，给出了14种主要情感和13种非典型的情感类型。其次建立了一个较大规模自然口语风格的汉语疑问语气语料库，并进行了单句、音节层面的韵律层级标注工作。最后采用线性融合韵律特征、梅尔频率倒谱特征的方法对汉语疑问语气、陈述语气进行分析，把整句的基频最大值、最小值也作为区分疑问、陈述语气的特征。实验结果表明，融合后的识别率较融合前平均提高了16%。     

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)。