基于卷积神经网络的5G蜂窝网络无线定位方法

5G蜂窝网络发展迅猛，其覆盖面积将逐渐增大，因此使用5G蜂窝网络进行定位是有研究潜力的研究方向。本文提出一种新的深度学习技术来实现高效、高精度和低占用的定位，以代替传统指纹定位过程中繁重的指纹库生成以及距离计算。该方法建立了一个特殊的卷积神经网络，并根据5G天线信号的接收信号强度指示、相位和到达角等特征量，选择合适的输入数据格式构造样本组建训练集，对该卷积神经网络进行训练。训练得到的卷积神经网络可以替代指纹定位中的庞大指纹库，非常有利于直接在5G移动设备端实现定位。虽然卷积神经网络在训练过程中需要大量时间，但在训练完毕后直接进行分类定位的速度非常快，可以保障定位实现的实时性。本文所实现的卷积神经网络权重与偏置所占内存不到0.5 MB，且能够在实际应用环境中以95%的定位准确率以及0.1 m的平均定位精度实现高精度定位。     

The influence of mining factors on seismic activity during longwall mining of a coal seam

In this article an attempt to determine the influence of mining factors on the seismic activity during the longwall mining of the upper layer of coal seam no. 405/2 in one of the Polish hard coal mines in the Upper Silesian Coal Basin was conducted. Two longwall panels were mined in analogous geological conditions and based on the same mining system and technology. However, there was significant difference with regards to the mining factors, which was reflected in the observed seismic activity. Some tools used in mining seismology were applied to illustrate the aforementioned influence of mining factors, e.g. the frequency-energy distribution, the frequency-magnitude distribution, the 2 D distribution of released seismic energy, the relationship between released seismic energy and the volume of mined coal, the Benioff strain release, and the Gutenberg-Richter(GR) b coefficient distribution(b is the proportion between high and low energy tremors). Concerning the Benioff strain release, a new solution, based on the slope of a fitted line in a moving time window, is proposed.     

煤炭资源型城市转型模式研究：以徐州贾汪区为例

煤炭资源型城市为我国经济发展提供了重要的资源和能源支持,研究资源型城市转型的经验模式对调整区域经济结构、确保社会稳定和改善生态环境具有重要的实践意义。本文采用文献综述法和实证分析法,研究我国东部煤炭资源枯竭型城市转型所面临的共性难题,并以徐州贾汪区转型探索经历为例,总结城市转型的"徐州贾汪区模式",主要包括放大正向外部效应、长期坚持矿地融合、大力建设矿区社会生态系统恢复力三条路径。研究结果表明,煤炭城市转型发展的共性问题相互联系、相互影响,是一个系统性难题,必须引入系统性思维。我国东部矿区普遍人口密集,农业发达、沉陷积水是最主要的共性特征,煤炭开采产生的社会问题、经济问题、生态问题、环境问题基本相同,转型发展模式值得互鉴。     

基于阶段注意力机制的电力线提取算法

电力系统维护是电力系统稳定运行的重要保障，应用智能算法的无人机电力巡检则为电力系统维护提供便捷。电力线提取是自主电力巡检以及保障飞行器低空飞行安全的关键技术，结合深度学习理论进行电力线提取是电力巡检的重要突破点。本文将深度学习方法用于电力线提取任务，结合电力线图像特点嵌入改进的图像输入策略和注意力模块，提出一种基于阶段注意力机制的电力线提取模型（SA-Unet）。本文提出的SA-Unet模型编码阶段采用阶段输入融合策略（Stage input fusion strategy， SIFS），充分利用图像的多尺度信息减少空间位置信息丢失。解码阶段通过嵌入阶段注意力模块（Stage attention module，SAM）聚焦电力线特征，从大量信息中快速筛选出高价值信息。实验结果表明，该方法在复杂背景的多场景中具有良好的性能。     

乌兰矿采矿现状及技术应对方案

本文分析了乌兰矿投产前期采矿现状及存在的主要问题,针对该矿所处蒙古国经济落后、投资风险大的现实状况,为避免生产中断、规避投资风险,早日回收前期投资考虑,采取了双斜坡道开拓、全尾胶结充填、高端壁空场嗣后充填采矿、多中段组合式连续开采等系列技术应对方案。大大降低了一次性投资规模及投资风险,前期投资得以快速回笼的同时,矿山产能也充分释放,确保了矿山的持续稳定,取得了较好的经济和社会效益。为海外地下近地表矿体开采矿山规避投资风险提供了很好的技术方案借鉴。     

陕北沙漠区浅埋厚煤层开采潜水位及生态响应

煤炭开采造成上覆岩层破裂、移动，破坏了矿区含（隔）水层结构，改变了地表水及地下水循环演化状态，对浅表层生态环境造成严重影响，引发一系列环境地质问题。为深入研究沙漠地区厚煤层开采给潜水位及生态环境造成的影响，以毛乌素沙漠金鸡滩矿为例，对水文地质条件进行了研究，采用数值模拟的方法，模拟了沙漠区厚煤层开采潜水位的变化，并通过采动潜水位监测数据验证了预测结果。调查分析了研究区及周边地表生态环境现状，预测采后潜水位基本满足植物生长需求，对生态环境影响不大。     

胶带斜井在冶金矿山深井开拓中的应用探讨

针对某在建矿山深井开拓方案探索需求，通过对胶带运输系统发展应用情况介绍和胶带运输系统运输特性影响因素分析，并结合深井开拓胶带斜井方案与竖井加胶带斜井方案投资经济性比较，以及对胶带运输系统在运行过程中关键问题的分析和讨论，得出随着胶带运输技术的不断发展，在大规模深井开拓中，胶带斜井开拓将大有可为，为冶金矿山深井开拓方案选择提供决策支持。     

Flexible Distribution-Based Regression Models for Count Data: Application to Medical Diagnosis

Abstract

Data mining techniques have been successfully utilized in different applications of significant fields, including medical research. With the wealth of data available within the health-care systems, there is a lack of practical analysis tools to discover hidden relationships and trends in data. The complexity of medical data that is unfavorable for most models is a considerable challenge in prediction. The ability of a model to perform accurately and efficiently in disease diagnosis is extremely significant. Thus, the model must be selected to fit the data better, such that the learning from previous data is most efficient, and the diagnosis of the disease is highly accurate. This work is motivated by the limited number of regression analysis tools for multivariate counts in the literature. We propose two regression models for count data based on flexible distributions, namely, the multinomial Beta-Liouville and multinomial scaled Dirichlet, and evaluated the proposed models in the problem of disease diagnosis. The performance is evaluated based on the accuracy of the prediction which depends on the nature and complexity of the dataset. Our results show the efficiency of the two proposed regression models where the prediction performance of both models is competitive to other previously used regression models for count data and to the best results in the literature.     

基于深度信念网络的列车故障音频诊断方法

铁路在交通运输行业有着举足轻重的地位，一旦列车发生故障将会导致严重的生命财产损失。由于列车发生故障的概率相对较低，因此难以捕获列车的故障样本。针对上述问题，提出了一种无监督学习的列车故障识别方法，通过检测列车音频信号来识别列车故障。该方法基于深度信念网络(DBN)，利用小波包分解提取检测信号的特征向量并将其作为DBN的输入，待网络充分训练后，由训练好的DBN识别当前列车的运行状况。现场监测实验结果表明，该方法能够在无监督的条件下有效识别列车故障，保障了列车的运行安全。     

基于深度学习的秀丽隐杆线虫显微图像分割方法

利用计算机实现自动、准确的秀丽隐杆线虫(C.elegans)的各项形态学参数分析,至关重要的是从显微图像上分割出线虫体态,但由于显微镜下的图像噪声较多,线虫边缘像素与周围环境相似,而且线虫的体态具有鞭毛和其他附着物需要分离,多方面因素导致设计一个鲁棒性的C.elegans分割算法仍然面临着挑战。针对这些问题,提出了一种基于深度学习的线虫分割方法,通过训练掩模区域卷积神经网络(Mask R-CNN)学习线虫形态特征实现自动分割。首先,通过改进多级特征池化将高级语义特征与低级边缘特征融合,结合大幅度软最大损失(LMSL)损失算法改进损失计算;然后,改进非极大值抑制;最后,引入全连接融合分支等方法对分割结果进行进一步优化。实验结果表明,相比原始的Mask R-CNN,该方法平均精确率(AP)提升了4.3个百分点,平均交并比(mIOU)提升了4个百分点。表明所提出的深度学习分割方法能够有效提高分割准确率,在显微图像中更加精确地分割出线虫体。