Improvement of quantitative analysis of molybdenum element using PLS-based approaches for laser-induced breakdown spectroscopy in various pressure environments

An experimental setup has been designed and realized in order to optimize the characteristics of laser-induced breakdown spectroscopy system working in various pressure environments. An approach combined the normalization methods with the partial least squares(PLS) method are developed for quantitative analysis of molybdenum(Mo) element in the multi-component alloy,which is the first wall material in the Experimental Advanced Superconducting Tokamak. In this study, the different spectral normalization methods(total spectral area normalization,background normalization, and reference line normalization) are investigated for reducing the uncertainty and improving the accuracy of spectral measurement. The results indicates that the approach of PLS based on inter-element interference is significantly better than the conventional PLS methods as well as the univariate linear methods in the various pressure for molybdenum element analysis.     

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。     

改进卷积输入的端到端普通话语音识别

主流神经网络训练的交叉熵准则是对声学数据的每个帧进行分类优化，而连续语音识别是以序列级转录准确性为性能度量。针对这个不同，构建基于序列级转录的端到端语音识别系统。针对低资源语料条件下系统性能不佳的问题，其中模型使用卷积神经网络对输入特征进行处理，选取最佳的网络结构，在时域和频域进行二维卷积，从而改善输入空间中因不同环境和说话人产生的小扰动影响。同时神经网络使用批量归一化技术来减少泛化误差，加速训练。基于大型的语言模型，优化解码过程中的超参数，提高模型建模效果。实验结果表明系统性能提升约24%，优于主流语音识别系统。     

Multi-mode data augmentation and fault diagnosis of rotating machinery using modified ACGAN designed with new framework

As one of the representative unsupervised data augmentation methods, generative adversarial networks (GANs) have the potential to solve the problem of insufficient samples in fault diagnosis of rotating machinery. However, the existing unsupervised GANs are usually incapable of simultaneously generating multi-mode fault samples and have some shortcomings such as mode collapse and gradient vanishing. To overcome these deficiencies, a supervised model called modified auxiliary classifier GAN (MACGAN) designed with new framework is proposed in this paper. Firstly, a new ACGAN framework is developed by adding an independent classifier to improve the compatibility between the classification and discrimination. Secondly, the Wasserstein distance is introduced in the new loss functions to overcome mode collapse and gradient vanishing. Finally, to achieve stable training, a spectral normalization is used to replace the weight clipping to constrain the weight parameters of discriminator. The proposed method is applied to fault diagnosis of bearing and gear. Compared with the existing GANs, the proposed method can more efficiently generate multi-mode fault samples with higher qualities, which can be used to assist the training of deep learning-based fault diagnosis models with high accuracy and good stability.     

液化石油气杂质含量的气相色谱法测定

通过恒温水浴完全气化样品,建立了用毛细管气相色谱法测定液化石油气中二甲醚、甲醇及甲缩醛含量的方法。采用PLOT/Q(30 m×0.53 mm×40μm)毛细管柱、热导池检测器,以面积校正归一化法计算杂质含量。结果表明:该方法操作简单,实用性强,重复性好,可以用于液化石油气中杂质含量的快速分析。     

厦门地铁车站基坑施工诱发地表沉降的经验#br# 预测方法研究

地铁建设的快速发展对于缓解国内大中城市的交通拥堵问题具有极其重要的意义,然而,轨道交通运营线路多通过城市的主要街区以及繁华商圈,车站周边地表受基坑开挖影响产生沉降等环境问题较为显著,须在支护设计阶段对其进行有效地预测及控制,以便最大程度地降低施工阶段发生工程灾害的机率。基于厦门地铁1号线车站建设过程中邻域地表沉降的监测数据,对实测沉降槽曲线进行归一化处理和统计分析,得出适用于厦门地区类似工程条件下地铁车站基坑施工诱发周边地表沉降的经验预测方法,为后续的地铁建设提供参考建议。     

基于遗传神经网络的坝基岩体渗透系数识别

基于坝基岩体渗流场正演分析的数学模型，通过观测渗流区域地下水运动的动态信息反演坝基岩体的渗透系数。将遗传算法和神经网络相结合，所建立的遗传神经网络具有较快的训练速度和较强的泛化能力。数值算例表明，遗传神经网络在求解坝基岩体渗透系数反演问题中具有较高的计算效率和识别精度。     

基于半监督对抗学习的图像语义分割

目的 将半监督对抗学习应用于图像语义分割,可以有效减少训练过程中人工生成标记的数量。作为生成器的分割网络的卷积算子只具有局部感受域,因此对于图像不同区域之间的远程依赖关系只能通过多个卷积层或增加卷积核的大小进行建模,但这种做法也同时失去了使用局部卷积结构获得的计算效率。此外,生成对抗网络（generative adversarial network,GAN）中的另一个挑战是判别器的性能控制。在高维空间中,由判别器进行的密度比估计通常是不准确且不稳定的。为此,本文提出面向图像语义分割的半监督对抗学习方法。方法 在生成对抗网络的分割网络中附加两层自注意模块,在空间维度上对语义依赖关系进行建模。自注意模块通过对所有位置的特征进行加权求和,有选择地在每个位置聚合特征。因而能够在像素级正确标记值数据的基础上有效处理输入图像中广泛分离的空间区域之间的关系。同时,为解决提出的半监督对抗学习方法的稳定性问题,在训练过程中将谱归一化应用到对抗网络的判别器中,这种加权归一化方法不仅可以稳定判别器网络的训练,并且不需要对唯一的超参数进行密集调整即可获得满意性能,且实现简单,计算量少,即使在缺乏互补的正则化技术的情况下,谱归一化也可以比权重归一化和梯度损失更好地改善生成图像的质量。结果 实验在Cityscapes数据集及PASCAL VOC 2012（pattern analysis,statistical modeling and computational learning visual object classes）数据集上与9种方法进行比较。在Cityscapes数据集中,相比基线模型,性能提高了2.3%~3.2%。在PASCAL VOC 2012数据集中,性能比基线模型提高了1.4%~2.5%。同时,在PASCAL VOC 2012数据集上进行消融实验,可以看出本文方法的有效性。结论 本文提出的半监督对抗学习的语义分割方法,通过引入的自注意力机制捕获特征图上各像素之间的依赖关系,应用谱归一化增强对抗生成网络的稳定性,表现出了较好的鲁棒性和有效性。