改进的小脑模型神经网络及其在时间序列预测中的应用

针对小脑模型神经网络(cerebellar model neural network,CMNN)中泛化能力与存储空间容量之间的冲突这一关键问题,提出了一种改进的小脑模型神经网络——模糊隶属度小脑模型神经网络(fuzzy membership cerebellar model neural network,FM-CMNN),用于解决非线性动态系统的时间序列预测问题.首先,FM-CMNN在保留原始CMNN输入变量的地址映射方式的情况下,在CMNN存储空间中引入铃型模糊隶属度函数,从而保证在不需增加量化级数的情况下提高网络的泛化能力.然后,使用梯度下降算法对网络权值进行更新,提高网络的逼近强度.最后,通过非线性时间序列预测基准实验和污水处理中水质参数预测实验,验证了FM-CMNN性能的可靠性.     

废旧纺织品在线NIR谱库的建立及检索识别应用

为了验证废旧纺织品在线近红外谱库的实用性,利用383个未参与建库的聚酯、棉、羊毛、锦纶、真丝、粘胶、腈纶、聚酯/毛、聚酯/锦纶、真丝棉、锦纶/氨纶、聚酯/棉12类织物样品对所建谱库进行在线检索识别.结果表明该方法识别正确率达98.7％,利用该谱库可对12种常见废旧纺织品进行在线识别和自动分选,为废旧纺织品回收分选提供一种新的方法和设备.     

Method for discrimination of false targets in multistation radar systems based on the deep neural network

For the existing jamming discrimination methods for multistation radar systems,only the single feature of target echo space correlation is utilized as the metric,which leads to insufficient comprehensiveness of feature extraction,so that effectiveness and universality are insufficient for the discrimination algorithm.In this paper,an identification method in multistatic radar systems based on the deep neural network is proposed.This method combines the characteristics of multistatic radar systems cooperative detection technology,which has many available resources and strong scheduling ability in space,time and frequency domain,with the strong model learning and feature representation ability in the process of information processing on the deep neural network,so that it can effectively apply to the field of anti-deception jamming.Full use is made of unknown information about echo data to obtain more multi-dimensional,more comprehensive,more complete and deeper feature differences besides correlation,so as to achieve a better jamming discrimination effect.Simulation results show that the proposed method can effectively reduce the influence of noise and pulse number on the jamming discrimination performance.At the same time,the limitation of the target echo correlation coefficient on anti-jamming technology under nonideal conditions is alleviated,which broadens the boundary conditions of the application process.     

中国文学批评体系的生成——《文心雕龙》与早期文献中的文学观

对刘勰批评体系建构的探讨,是《文心雕龙》研究中最富有成效的学术领域之一.然而,从中国传统文学批评的内在连贯性或系统性出发,探讨这一系统性著作的研究却明显匮乏.用这种大视野来集中审视《文心雕龙》的文学观念,会有如下发现:从远古到汉代,中国文学批评形成了三种主要的文学观:以《尚书》为代表的宗教文学观,以《左传》和《国语》为代表的人文文学观,和以《毛诗序》为代表的教化文学观.刘勰继承了前人把文学理解为一个和谐过程的基本模式,重新认识了文学的性质、起源、思想和语言的形成及其功能,从而形成了自己的综合文学观.这四种文学观之间的联系揭示了一个复杂的批评体系.这驳斥了人们普遍认为的中国传统批评没有一个连贯体系的错误观点.     

大气生物气溶胶的源排放与源解析研究进展

2019年新冠肺炎(COVID-19)的全球爆发引起了公众对生物气溶胶的广泛关注。生物气溶胶是大气气溶胶的重要组成部分。生物气溶胶由于具有普通气溶胶的理化性质和本身特有的生物学特性,在全球生态系统、气候变化、空气质量和公共卫生等领域均扮演十分重要的角色。然而,目前学术界对生物气溶胶的研究主要集中在采样监测、消杀防护以及其环境与健康效应等方面,关于源特性研究相对滞后。基于此,聚焦大气中微生物的来源现状,综述了最近20年来生物气溶胶的自然源和人为源排放特性研究进展,并阐述了影响源排放和输送过程的主要因素(如生物地理区域、土地利用类型和环境因素等),探讨了当前生物气溶胶的各种源解析方法。最后,给出了生物气溶胶来源下一步的研究展望,以期为深入理解生物气溶胶的来源、输送与变化机理,更好地评估大气微生物污染水平与监控病原体的气溶胶传播提供参考。     

分子筛辅助人参须根粉快速制备人参皂苷Rg5的工艺研究

利用多功能改进型索氏提取器为提取工具,以人参须根粉为原料,盐酸为催化剂,分子筛辅助下高效制备了稀有人参皂苷Rg5,并通过单因素实验优化了工艺条件。实验结果表明：当以30 mL的甲醇为溶剂、加入0.3 g 4 A分子筛、于65 ℃提取4 h时,人参总皂苷的提取率达到10.2%,稀有人参皂苷Rg5的得率达到3.20%,与传统索氏提取器相比可以显著提高人参皂苷Rg5的制备效率。分子筛辅助下利用多功能改进型索氏提取器从人参须根粉提取制备稀有人参皂苷Rg5,不仅得率较高,而且操作简单快捷,是一种快速制备人参皂苷Rg5的工艺方法。     

氢化物原子荧光光谱法测定党参中的硒含量

为建立一种操作简便,快速,高灵敏度的氢化物原子荧光光谱法测定党参中硒的分析方法。方法 采用原子荧光光谱法对测定党参中硒元素进行含量的定量分析方法。结果 硒含量在0~40 μg/L质量范围内与其荧光强度呈现良好的线性关系（R²=0.9999）,检出限为Q=0.065 ng/mL;加样回收率为113.33%,相对标准偏差（RSD）为4.97%;精密度RSD为1.65%;准确度RSD为4.58%;稳定性RSD为6.52 %。11个不同品种党参之间的硒含量稍有不同,但都在0.1 mg/kg以下。结论 在富硒党参质量控制检测中,用原子荧光光谱法测定硒含量,其操作快速、简便,能准确测定党参硒含量。     

一种联合采样的神经网络光场

相比传统的光场绘制技术,神经网络光场(NeRF)方法可使用神经网络拟合场景的光线采样,将隐式编码输入图片的光场,合成新视图. 针对NeRF方法训练时间长,绘制视图慢的问题,提出了一种基于联合采样的NeRF方法,通过使粗糙网络和细腻网络共享均匀采样结果的方法,减少了不必要的光线采样,从而加快了网络训练和视图合成的速度. 实验结果表明,在取得近似视图合成质量的情况下,与NeRF方法相比,所提方法的训练时间减少了20%,视图合成的效率提高了25%.     

基于感知驱动的纹饰矢量图评价方法

针对构建中华文化矢量素材库过程中如何评价矢量图质量优劣的问题,提出精确性、连续性和简单性三大视觉评价指标,并进行了量化分析. 首先,对矢量图进行解析,获取矢量图的文档对象模型,遍历文档树得到矢量信息;然后,结合格式塔心理学对矢量图的视觉误差、曲线连续性和纹饰图案的复杂度进行量化;最后,提出一种基于感知驱动的传统纹饰矢量图的评价方法. 结合视觉上的启发性规则,所提评价方法可提供3个量化指标用于多任务驱动矢量化系统中矢量图的自动评价、排序和筛选. 在纹饰矢量图数据集上对算法进行了仿真实验,结果表明,对矢量图的评价结果符合主流设计的视觉审美和期望.     

基于动态模式分解的移动用户信道容量预测算法

在多输入多输出环境下,为了能够连续预测出移动用户的信道容量并以此合理地分配用户资源,提出了一种基于动态模式分解（DMD）的信道容量预测方法及其优化方法：基于经验模态分解的选择性归一化动态模式分解（ESN-DMD）.仿真结果表明,DMD算法只适用于预测低移速低复杂度的用户信号,ESN-DMD算法可以预测不同移速的用户信道容量.