基于数据质量评价的目标估计

针对目标估计过程需要大量人工参与、自动化程度低的问题，提出了基于数据质量评价的目标估计方法。利用目标数据质量评价方法，对不同传感器得到的目标数据质量进行科学、有效的测度和评价，并根据质量得分动态调整各数据源在目标估计过程中所占的权重，从而减少人工干预，提高目标估计效能。仿真试验结果证明了该方法的有效性。     

基于超声导波SC-DTW的金属板微损检测方法

针对金属板材的质量控制与服役性能评估问题,在对金属板材微损伤进行超声导波检测的基础上,结合形状上下文(shape context,SC)与动态时间规整方法对其损伤劣化程度进行量化评估.该方法以无损Lamb波信号为基准,采用动态时间规划(dynamic time warping,DWT)算法对损伤信号进行相似匹配分析对比,确定基准信号与损伤信号的最佳匹配路径.引入SC的轮廓识别方法对Lamb波的局部波形信息进行统计分析,以波形形状距离代替传统欧氏距离匹配方法,解决DTW相似匹配中的病态对齐问题.最后,将无损Lamb波与损伤Lamb波信号间SC-DTW匹配距离作为损伤程度的量化指标,采用随机闭合裂纹的有限元仿真模型和铝板弯折实验对所提出方法进行验证,结果表明,基于Lamb波SC-DTW的损伤量化指数对铝板早期裂纹具有较高的敏感性和较好的量化表征能力.该方法无需对波包进行识别,也不必进行复杂的特征提取,具有简单高效和抗噪声能力强等优点,在金属板服役性能评估与质量控制中有较好的实用性和推广价值.     

LG Chem公司与Veolia R&E公司合作利用回收材料生产透明ABS树脂

韩国LG Chem公司2021年8月30日宣布,其与韩国最大的回收MMA(甲基丙烯酸甲酯)生产商Veolia R&E公司签署了稳定供应回收的MMA并提升质量的战略合作伙伴关系协议(MOU)。Veolia R&E公司是法国威立雅集团的子公司。威立雅集团是世界上最大的环境服务公司(水处理、废弃物和能源),于2010年开发了世界上第一个裂解废弃人造大理石并将其回收成MMA的技术。LG Chem公司和Veolia R&E公司正在合作使用化学回收原料生产丙烯腈-丁二烯-苯乙烯(ABS,是一种高附加值合成树脂)。     

基于小波分析的水质变化及预测研究——以涡河为例

以涡河流域2005—2018年(共168个月)的水质指标月监测数据为背景资料,探究小波分析和神经网络在流域水质方面的应用。通过小波分析来判别涡河流域水质指标的多尺度变化规律;运用主成分分析法选取涡河水质主要影响因子,并对主要影响因子建立小波神经网络预测模型。研究结果表明:各水质指标具有多尺度振荡的特点,且主要存在以8、20、30个月左右变化的主周期;目前影响涡河流域水质的主要因子是以化学需氧量为代表的污染因子;通过小波神经网络得到的化学需氧量预测值与实测值的曲线拟合较好,平均百分比误差(MRE)为8.4%,均方根误差(RMSE)为1.5,模型较稳定且预测精度较高。基于小波神经网络的应用为流域水质污染研究提供了一个新的思路。     

白鹤滩水电站运行期水厂取水塔滑模设计与应用

金沙江白鹤滩水电站运行期水厂取水塔工程结构复杂、混凝土浇筑体积大、施工难度高，再加上按精品工程标准要求，混凝土的成型质量要求更高。传统的组合钢模板分层施工因耗时长、质量控制困难、整体性欠佳等多种不利因素，很难实现大体积混凝土的精品工程质量控制。在白鹤滩水电站取水塔工程中设计了新型滑模系统，详细介绍了系统方案设计、实施步骤及过程控制要点。实践表明：采用新型滑模系统解决了大体积曲面混凝土一次成型质量问题，且缩短了施工工期，节约了成本，保证供水系统顺利运行。相关经验可为以后类似工程建设提供经验。     

基于图像处理研究铁尾矿的熔化行为

作为主要成分的SiO2是铁尾矿中最难熔化的部分.通过一组SiO2的熔化时序图像来探究铁尾矿的熔化情况.首先,进行图像预处理,建立质心位置追踪模型和体积估算模型.将灰度图转化为二值图,利用卡尔曼滤波器进行质心追踪和对质心运动轨迹的描述.通过计算二值图中0像素的数量得到面积随时间变化的图像,拟合出熔化过程函数.结合二值图中目标物体的边界信息得到的参数量建立多元线性回归模型.估算颗粒扁平度和物体的体积,熔融速率通过颗粒集合的质量变化函数得出.     

机器翻译译文质量估计综述

机器翻译译文质量估计(Quality Estimation,QE)是指在不需要人工参考译文的条件下,估计机器翻译系统产生的译文的质量,对机器翻译研究和应用具有很重要的价值。机器翻译译文质量估计经过最近几年的发展,取得了丰富的研究成果。该文首先介绍了机器翻译译文质量估计的背景与意义;然后详细介绍了句子级QE、单词级QE、文档级QE的具体任务目标、评价指标等内容,进一步概括了QE方法发展的三个阶段: 基于特征工程和机器学习的QE方法阶段,基于深度学习的QE方法阶段,融入预训练模型的QE方法阶段,并介绍了每一阶段中的代表性研究工作;最后分析了目前的研究现状及不足,并对未来QE方法的研究及发展方向进行了展望。