合肥光源钮扣型束流位置检测器的离线标定

为满足合肥光源重大维修改造项目对储存环束流位置测量的高精度要求,对钮扣束流位置检测器(BPM)电极进行了重新设计,本文对新设计的BPM进行特征阻抗、分布电容和标定系数等参数离线标定。采用时域反射计(TDR)测量其阻抗特性和分布电容,测量结果表明,50 Ω标准阻抗测试电缆与BPM Feedthrough连接处的阻抗一致性较好,说明其特性符合设计的50 Ω阻抗,计算得到分布电容约为2.9 pF,满足设计要求。通过天线法进行标定,分别采用差比和法与对数比法得到直观的mapping图,计算得到BPM的水平和垂直方向的灵敏度,差比和法与对数比法获得的灵敏度相对偏差在垂直方向小于0.5%,水平方向小于2.8%,离线标定获得的各项参数均满足要求。     

基于PSCAD的220kV主变加装小电抗对限制短路电流的分析

220kV变电站是电力系统中的重要组成部筑当系统内部发生单相短路故障时,过大的短路电流会对变压器的安全造成极大的威胁而在变压器中性点加装小电抗是限制故障电流的有效方法。本文首先列举了2台并联220kV变压器的4种中性点接地方式,然后介绍不同中性点接地方式下小电抗值的选择方法,最后通过对某地区110kV系统的PSCAD仿真来验证加装小电抗对限制单相短路电流的作用,并给出限制短路电流的最优解决方案。     

面向医学图像分割的多注意力融合网络

在深度医学图像分割领域中,TransUNet是当前先进的分割模型之一。但其编码器未考虑相邻分块之间的局部联系,在解码器上采样过程中缺乏通道间信息的交互。针对以上问题,提出一种多注意力融合网络（MFUNet）模型。首先,在编码器部分引入特征融合模块（FFM）来增强模型对Transformer中相邻分块间的局部联系并且保持图片本身的空间位置关系;其次,在解码器部分引入双通道注意力（DCA）模块来融合多级特征的通道信息,以增强模型对通道间关键信息的敏感度;最后,通过结合交叉熵损失和Dice损失来加强模型对分割结果的约束。在Synapse和ACDC公共数据集上进行实验,可以看出,MFUNet的Dice相似系数（DSC）分别达到了81.06%和90.91%;在Synapse数据集上的Hausdorff距离（HD）与基线模型TransUNet相比减小了11.5%;在ACDC数据集中右心室和心肌两部分的分割精度与基线模型TransUNet相比分别提升了1.43个百分点和3.48个百分点。实验结果表明,MFUNet在医学图像的内部填充和边缘预测方面均能实现更好的分割效果,有助于提升医生在临床实践中的诊断效率。     

核范数优化下的多表征挤压激励自适应网络

多表征自适应网络(MRAN)用于无监督学习取得了显著成效.但MRAN的特征提取只关注了域在空间结构上的联系而忽略了特征通道之间的联系,在进行无监督领域自适应(UDA)分类时,决策边界附近存在大量混淆数据的情况,当使用信息熵最小化对混淆数据进行分类时,往往会产生错误分类.针对这一问题,提出了基于批量核范数最大化的多表征挤压激励自适应网络(Multi-Representation Squeeze-Excitation Adaptation Network_Batch Kernel Norm Maximization, MRSEAN_BNM).该网络采用挤压激励注意力机制对多表征特征进行重标定,以强化重要的表征特征,采用条件最大均值差异(CMMD)拉近源域和目标域的特征分布距离,并通过最大化目标域分类输出矩阵的核范数以约束决策边界的混淆数据,达到提升域适应图像分类精度的效果.在基于公开数据集的域适应下的图像分类、可视化结果实验结果表明,MRSEAN_BNM分类精度有明显提升.     

合肥光源钮扣型束流位置检测器的设计计算

对合肥光源中使用的钮扣型束流位置检测器进行了相关参数的计算,计算了水平和垂直方向的灵敏度。对内在分辨率和传输功率进行了估算。用优化后的检测器安装位置参数对束流位置进行了高精度数值仿真,对测量数据用差比和和对数比方法进行处理,得到直观的mapping图和拟合多项式。对束流和信号进行仿真拟合,当束流位移从（0mm,0mm）到（4mm,4mm）时,归一化和信号的变化小于5×10－3。     

基于双层CNN-BiGRU-CRF的事件因果关系抽取

针对现有事件因果关系抽取方法关系边界识别能力弱和文本语义表征不足的问题,提出一种基于双层CNN-BiGRU-CRF深度学习模型的事件因果关系抽取方法。将因果关系抽取任务转换为两次序列标注任务分别由两层CNN-BiGRU-CRF模型完成,上层模型用于识别事件因果关系语义角色词,其标注结果作为特征输入下层模型划分因果关系边界。在每层模型中,采用突发事件样本数据对BERT模型进行微调,形成文本表示模型以获取语义特征向量矩阵,利用卷积神经网络和双向门控循环单元分别提取局部和全局深层特征,并将上述特征在每个时间序列步进行线性加权融合以增强语义表征能力,最终基于残差思想将高区分度特征输入CRF模型解码完成序列标注任务。在中文突发事件语料集上的实验结果表明,与BiLSTM-Att-规则特征、GAN-BiGRU-CRF等因果关系抽取方法相比,该方法的事件因果关系抽取效果更好,F值达到91.81%,能有效实现事件因果关系的准确抽取。     

合肥光源注入器条带检测器的设计与计算

根据合肥光源升级改造的要求,为进行合肥光源注入器的束流位置、发射度和能散的非拦截测量,设计了新的条带束流位置检测器（BPM）和八电极束流能散检测器（BESM）。计算了条带BPM和八电极BESM通过电信号提取x2－y2以及灵敏度的公式。通过条带电极的时域频率分析、阻抗匹配等计算确定了两个检测器的具体物理参数。在CSTmicrowavestudio中按照计算的物理结构进行建模仿真,得到了电极间的耦合且考虑了电极耦合对灵敏度的影响。计算了条带BPM的位置分辨率,符合设计要求。     

Calibration method for electrode gains in an axially symmetric stripline BPM

The four electrodes in the stripline beam position monitor(BPM) for Hefei Light Source(HLS II) storage ring are of axially symmetric type. We have derived a new calibration method of electrode gains for this type stripline BPM. The gain fit error of different data grids was analyzed, and the ±5 mm by ±5 mm grid is the best.The electrode gains of two stripline BPMs(HLS II SR-BD-STLB1 and HLS II SR-BD-STLB2) were obtained based on offline calibrated data. The results show that data after fitting gains are improved, with the electrode gains being between 0.94 and 1.15.     

结合对抗网络与条件均值的多源适应分类方法

生成适应网络利用对抗训练辅助模型进行域适应分类,但仅使用单源域学到的知识有限,且对抗训练不足以减少域差异,造成判别特征难以识别,影响分类精度。针对该问题,提出一种结合对抗网络与条件均值的多源适应分类方法(MSDACG)。对多个源域进行特征提取,提升特征学习的有效部分,对不同源和目标域特征使用特定域的生成对抗网络及条件最大均值差异拉近域间距离,采用差异损失约束由不同源域训练的分类器,实现利用多个源域的监督信息对目标域样本进行分类。实验结果表明,MSDACG模型能学到更优的域不变特征,与目前多源域适应算法比较,其图像生成质量和分类精度有明显提升。