基于依赖最大化和稀疏回归的多标签特征选择

针对基于稀疏回归的多标签特征选择方法中数据的特征和标签之间线性关系假设不成立的问题,提出一种基于依赖最大化和稀疏回归的多标签特征选择方法 (multi-label feature selection with dependence maximization and sparse regression,DMSR)。构建数据的低维子空间,最大化低维空间与数据的标签空间之间的依赖性,使用希尔伯特-施密特独立性准则作为依赖性的计算依据,将数据从特征空间映射到该低维空间,设计一种交替优化的算法对稀疏回归模型进行求解,得到用于特征选择的投影矩阵。在多个不同类型的多标签数据集上的实验结果表明,所提算法的性能优于其它对比算法。     

直通链路技术的发展与展望

直通链路技术己广泛应用于车联网场景。对于直通链路技术的潜在技术方向给出可行的建议，包括传统直通链路技术的增强方向，如载波聚合、使用非授权频谱等；侧行链路对于中继场景的应用扩展，包括终端到终端之间的中继，以及中继的多链接场景；在高精度定位场景使用直通链路技术。并且，给出直通链路技术与各种新技术的融合应用，如智能反射面与区块链技术，从而解决直通链路技术自身的缺陷。     

超稳光纤链路的理论与实践

超稳光纤链路这个概念包含超稳频率光源和超稳频率传递的光纤链路。从当前看,如何利用已有庞大的公用电信网、专用网的光纤和光网络的资源,选择一个通用的光纤通路改造成超稳光纤链路来实现频率传递,取代基于卫星的频率传递,提高传输的频率精度,这是一个巨大的系统工程。本文对超稳频率光源和超稳频率传递的光纤链路的关键技术进行研究和讨论。     

燃料电池汽车加氢站安全设计要点分析与建议

加氢站内氢气具有高压、易燃、易爆特性，一旦发生火灾或爆炸事故，将会带来巨大的经济损失甚至人员伤亡，因此，必须高度重视加氢站本质安全设计工作。针对加氢站工程设计中的安全要点，从加氢站的选址、总平面布置、设备安全设计、安全辅助系统、建筑设施及消防等各环节进行全方位分析，旨在全面提升加氢站的安全水平。结合国内加氢站技术发展现状，提出了加氢站安全设计、安全管控方面的建议。文中的分析结果可为加氢站的工程设计、建设、标准制定和安全运营提供参考。     

纸质简谱图像的分割、倾斜校正及音符歌词提取

乐谱图像的自动分割、倾斜校正是乐谱识别过程中的关键技术,各种计算机光学乐谱识别技术在乐谱图像的数字化中有着广泛的应用,但对于乐谱中简谱的识别一直鲜有研究.本文针对人工拍摄条件下光照不理想的简谱图像,提出一种基于PCNN(脉冲耦合神经网络)和DNN(深度神经网络)相结合的分块简谱图像自动分割算法,该方法根据简谱图像灰度分布特征对图像进行自适应分块处理,依据每个分块的灰度特征与PCNN最佳迭代次数之间的关系构造合适的DNN神经网络,从而实现了最优分割图的自适应选取;进一步利用最优分割图像中音符小节线的水平投影,提出一种双尺度下降法实现了简谱图像的倾斜校正;提出去边垂直投影法和连通域距离判断法实现了简谱图像中音符及歌词的提取.实验仿真结果表明:本文算法对复杂光照条件下的简谱图像处理都具有较好的鲁棒性,同时表现出更高的效率.     

表面离子印迹聚合物金属离子吸附材料研究进展

离子印迹聚合物吸附材料对模板离子具有强识别能力，对其可实现高选择吸附，因而离子印迹技术常用于制备高选择性吸附材料。但传统方法制备的离子印迹吸附材料，因识别位点容易被包埋导致其吸附容量小、吸附-脱附速率低，而表面离子印迹技术则是采用模板离子和聚合单体直接在载体表面或附近区域构筑选择性识别位点，所有活性位点均暴露，从而有效地解决了上述问题。本文从技术原理与合成原料、制备工艺方法以及载体材料类型等方面对表面印迹聚合物吸附材料近期研究进展情况进行了概述。针对相关研究现状，从载体材料、功能单体、目标离子等角度分析和讨论了表面离子印迹聚合物吸附材料当前发展中的不足及其所面临的挑战，并对表面离子印迹技术发展趋势和前景进行了展望。     

关于加快推动广西甘蔗产业绿色发展路径选择的研究

在国际食糖市场严峻的新形势下,笔者认为加快构建广西甘蔗产业绿色发展技术体系,是加快推动甘蔗产业绿色发展,提高广西乃至我国甘蔗产业质量效益竞争力的必由之路,本文提出6点对策措施,即:"必须抓好甘蔗生产保护区的划定与建设"、"必须转变甘蔗生产经营方式"、"必须加大甘蔗优良新品种的推广力度"、"必须加快推广甘蔗生产全程机械化技术"、"必须加大各项轻简高效农业绿色技术推广力度"、"必须进一步创新政策和服务措施"。笔者提出上述措施,以期为加快推进广西甘蔗产业绿色发展提供参考建议。     

基于机器学习方法的油井日产油量预测

油藏数值模拟是进行油田产量预测最为常用的方法，但其准确性建立在精确的地质模型和较高质量的历史拟合基础之上。为了克服数值模拟计算耗时长、成本高和所需数据资料多等缺点，建立了一种利用机器学习方法，根据现场广泛易得的油藏静态资料和开发动态参数实现油井日产油量的快速准确预测。传统的BP神经网络无法准确描述产量变化在时间维度上的相关性，因而基于长短期记忆神经网络(LSTM)，建立能够考虑生产动态数据变化趋势和前后关联性的产量预测模型，是实现油井日产油量预测更为有效的途径。首先根据平均不纯度减少(MDI)方法，分析各个因素对单井产量的影响程度，基于特征参数的重要性进行数据降维，排除不相关的冗余特征，确定影响油井产量的主要因素。结合筛选出的特征参数和日产油量数据对LSTM模型进行训练和优化，建立最终的油井产量预测模型。利用实际油田数据对建立的模型进行验证和应用效果评价，结果表明基于LSTM模型的产量预测值与实际值高度一致，能准确反映产量的动态变化规律，为油井产量预测提供了一种新的方法。