举办有奖征名——为漪汾苑小区各组团命名

漪汾苑小区的7个组团从批准规划直到建设初期,一直用A、B、C、D、E、F、G7个英文大写字母代替,与漪汾苑这个总体名称很不协调。为此,于1992年10月,由市地名办、市综合开发公司和太原日报社联合举办了漪汾苑小区组团有奖征名活动,公开向全社会征集名称,经过有关方面专家组成的评委们反复筛选,     

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。     

电流互感器故障诊断与分析

对电流互感器故障进行了诊断与分析。     

提高电力计量准确性的措施探讨

电力计量作为供电企业中经营管理的基础部分,也是企业与用户之间信任度的重要纽带,影响着企业日常的经营和管理工作。电力计量的准确与否不仅关系到电力企业经营管理的水平和未来的经济,提高电力计量的准确性不但可以为电力企业带来更高的经济收入,也可以带来经济效益,也与其他的行业和用户的正常生产生活息息相关。本文主要从电力计量的特点出发,根据新形势发展的需要,透彻的分析当今电力计量存在的问题,找出问题发生的原因,针对性的给出合理化的解决对策。     

基于优化顶空取气法的变压器油自动脱气装置研制

通过对绝缘油色谱分析所有传统脱气方式的综合分析,从理论和实践两个方面介绍了一种基于顶空取气方式的新型脱气技术及其装置,该脱气装置在保留传统机械振荡法方式的优点的同时,通过配置外置的取气和进样装置,和单独的色谱仪连接实现从脱气到进样的全自动化操作。整机采用智能化控制系统,可以完成对油样定位进行精确控制,且加热、温控、定时振荡、延时报警均由微机自动控制。为保证设备实用性和准确性满足相关标准的要求,对温控精度、温控准确性、油样准确性方面分别进行了试验验证,证明系统能够满足设计要求。该装置的研制成功,将对绝缘油色谱分析向自动化领域发展,起到非常积极的推动作用,具有很好的推广价值。     

面向距离查询的属性加权图聚集算法

图聚集技术是在保留原始图的结构和属性信息的同时,将一个大规模图聚集成简洁的小规模图的技术.随着图的规模不断增加使得图数据变得难以查询和存储,而基于距离的查询,例如最短路径查询,非常依赖图的规模大小.本文提出了面向距离查询的属性加权图聚集算法,在保证节点之间结构和属性相似的同时,保护了节点之间的距离,并有效地减小了图规模.实验证明本文方法的有效性与在查询任务上的高效性.     

双路注意力引导图卷积网络的关系抽取

为了更好地学习节点依赖并利用结构信息,本文提出一种以完全依赖树作为直接输入的新方法,利用图卷积网络并结合两个并行的注意力模块,自主学习如何有选择地关注对关系抽取任务有用的信息.该方法将样本表示成图上的各节点,一个模块用于计算节点特征位置之间的影响,使特征向量可以包含更广范围的语义信息,另一个用于计算节点依赖的关系特征,以增强节点间的全局依赖.两个模块并行相互提升,可以得到完整的特征表示.在TA-CRED和SemEval数据集上的实验结果表明,该方法能够更有效地获取对关系抽取任务有益的信息,在各评价指标上取得了更好的性能.     

基于上下文表示的知识追踪方法

知识追踪是教育数据挖掘领域中一个十分重要的问题,旨在利用可观测到的学生历史交互数据和习题包含的知识点相关信息来推断学生对知识点的掌握情况。已有方法虽在不同程度上取得了一些进展,但大多忽略了使用知识点表示习题的重要性,并且对使用诸如学习因素之类的上下文表示知识点的研究也不够充分。针对上述问题,提出基于上下文表示的知识追踪方法KTCR。首先,综合考虑影响学生学习过程的因素,并基于学生响应数据设计了知识点上下文表示方法,从而基于Q矩阵表示知识点上下文;其次,为了实现习题向量的降维,利用融合上下文信息的知识点和学生响应数据对习题向量进行重表示;最后,结合学生历史交互数据,使用长短期记忆网络对学生的知识状态进行估计。在4个真实数据集上的实验表明了本文方法对于习题嵌入表示的合理性,并且能够有效地估计学生的知识状态。     

融合结构-属性交互二部图随机游走的社区搜索方法

属性图中的社区搜索是一种局部社区发现方法,本质是基于用户提供的查询节点返回包含查询节点且在结构内聚的同时属性与查询属性相似的个性化子图.该任务有助于用户更好地理解社区是如何形成的以及社区形成的原因.提出了一种融合结构-属性交互二部图随机游走机制,有效地支持属性图中的社区搜索.具体地,首先基于网络拓扑结构构建结构概率转移矩阵;其次探索结构与属性交互形成的二部图定义2阶段的节点-属性-节点概率转移矩阵,将其与结构概率转移矩阵有效融合得到属性图的概率转移矩阵;最后设计重启随机游走方法,基于融合结构和属性的并行电导值精准查询社区.在真实数据集和人工数据集上的实验表明了本文方法的有效性.