200 MW富氧燃烧锅炉配风优化数值模拟研究

以200 MW四角切圆煤粉锅炉为研究对象,采用CFD软件结合改进的辐射特性模型以及化学反应机理,对煤粉空气燃烧工况及不同氧气体积分数下的富氧燃烧工况进行了数值模拟,通过研究炉内的燃烧及传热特性,对富氧燃烧工况进行了配风优化设计。结果表明:在富氧燃烧干循环工况下炉内出现高体积分数的CO;干、湿循环工况的入炉氧气体积分数分别为28.5%和27.1%时,炉膛的总辐射传热量与空气燃烧工况几乎相同;提高下二次风的动量能有效减小冷灰斗区域的CO体积分数,采用偏转二次风技术能有效减弱壁面附近的还原性气氛。     

自编码器动态主导融合的多模态情感分析

多模态情感分析过程中,对情感判定起主导作用的模态常常是动态变化的。传统多模态情感分析方法中通常仅以文本为主导模态,而忽略了由于模态之间的差异性造成不同时刻主导模态的变化。针对如何在各个时刻动态选取主导模态的问题,提出一种自编码器动态主导融合的多模态情感分析方法。该方法首先对单模态编码并获得多模态融合特征,再利用自编码器将其表征到共享空间内;在此空间内衡量单模态特征与融合模态特征的相关程度,在各个时刻动态地选取相关程度最大的模态作为该时刻的主导模态;最后,利用主导模态引导多模态信息融合,得到多模态鲁棒性表征。在多模态情感分析基准数据集CMU-MOSI上进行广泛实验,实验结果表明提出方法的有效性,并且优于大多数现有最先进的多模态情感分析方法。     

椰壳活性炭的制备及防护性能研究

以椰壳炭化料为原料,采用直接成型法和二次成型法分别制备椰壳活性炭。利用扫描电镜、傅立叶红外光谱仪、静态吸附仪、X衍射仪等实验仪器对椰壳活性炭和浸渍炭样品进行研究分析,以期找到二次成型工艺制备的椰壳活性炭性能优异的根本原因。对所制备的活性炭材料进行氯化氰的防护性能测试。结果表明,利用二次成型工艺生产的椰壳活性炭制备的浸渍炭有利于对氯化氰气体的防护。     

常用网页布局对比研究

在分析比较了表格布局和DIV+CSS布局的优缺点后,分别以表格布局和DIV+CSS布局为例布局了两个网页。并在布局的过程中比较两种布局的优缺点。通过比较发现使用DIV+CSS布局在布局灵活性和网页访问速度方面要优于表格布局。对于初学者和小型网站可以用表格布局;但对于大型网站和符合Web2.0技术规范网站推荐用DIV+CSS布局。     

毕业生就业数据网上直报与统计系统分析及实现

毕业生就业数据的报送、审批、统计和公示是学校和各级教育行政主管部门工作的重要组成部分。为了优化流程、缩短统计周期、提高统计效率和精准度,文章以某省中职毕业生就业统计系统为例,分析并实现了基于Struts、Spring、Hibernate框架构建的中职毕业生就业网上直报与统计Web应用平台,以满足当前实际的需要。     

Linux主机防范DDoS攻击的措施

分布式拒绝服务(DDoS)是一种目前常见的网络攻击手段。该文简要介绍了DDoS攻击原理,并演示了利用Netfilter/iptables防火墙软件的状态检测机制实施有效的防御DDoS攻击策略,最后给出相应的实现脚本。     

基于变分信息瓶颈的半监督神经机器翻译

变分方法是机器翻译领域的有效方法, 其性能较依赖于数据量规模. 然而在低资源环境下, 平行语料资源匮乏, 不能满足变分方法对数据量的需求, 因此导致基于变分的模型翻译效果并不理想. 针对该问题, 本文提出基于变分信息瓶颈的半监督神经机器翻译方法, 所提方法的具体思路为: 首先在小规模平行语料的基础上, 通过引入跨层注意力机制充分利用神经网络各层特征信息, 训练得到基础翻译模型; 随后, 利用基础翻译模型, 使用回译方法从单语语料生成含噪声的大规模伪平行语料, 对两种平行语料进行合并形成组合语料, 使其在规模上能够满足变分方法对数据量的需求; 最后, 为了减少组合语料中的噪声, 利用变分信息瓶颈方法在源与目标之间添加中间表征, 通过训练使该表征具有放行重要信息、阻止非重要信息流过的能力, 从而达到去除噪声的效果. 多个数据集上的实验结果表明, 本文所提方法能够显著地提高译文质量, 是一种适用于低资源场景的半监督神经机器翻译方法.     

基于一致性图卷积模型的多模态对话情绪识别

多模态对话情绪识别是一项根据对话中话语的文本、语音、图像模态预测其情绪类别的任务。针对现有研究主要关注话语上下文的多模态特征提取和融合,而没有充分考虑每个说话人情绪特征利用的问题,提出一种基于一致性图卷积网络的多模态对话情绪识别模型。该模型首先构建了多模态特征学习和融合的图卷积网络,获得每条话语的上下文特征;在此基础上,以说话人在完整对话中的平均特征为一致性约束,使模型学习到更合理的话语特征,从而提高预测情绪类别的性能。在两个基准数据集IEMOCAP和MELD上与其他基线模型进行了比较,结果表明所提模型优于其他模型。此外,还通过消融实验验证了一致性约束和模型其他组成部分的有效性。     

基于情感语义对抗的跨语言情感分类模型

传统的基于机器翻译的跨语言情感分类方法,由于受机器翻译性能影响,导致越南语等低资源语言的情感分类准确率较低。针对源语言和目标语言标记资源不平衡的问题,提出一种基于情感语义对抗的跨语言情感分类模型。首先,将句子和句子中情感词进行拼接,用卷积神经网络对拼接后的句子分别进行特征抽取,分别获得单语语义空间下的情感语义表征;其次,通过对抗网络,在双语情感语义空间将带标签数据与无标签数据的情感语义表征进行对齐;最后,将句子与情感词最显著的表征进行拼接,得到情感分类结果。基于汉英公共数据集和自主构建的汉越数据集的实验结果表明,所提模型相比跨语言情感分类主流模型,实现了双语情感语义对齐,可以有效提升越南语情感分类的准确率,且在差异性不同的语言对上也具有明显优势。