基于周期图卷积与多头注意力GRU组合的交通流量预测模型

为了捕获交通流量数据中复杂的时空动态变化关系以及周期性变化的特征,同时避免道路突发情况引起的误差累计效应,提出一种基于周期图卷积(periodic graph convolution network, PGCN)与多头注意力门控循环单元(multi-head attention gated recurrent unit, MAGRU)组合的交通流量预测模型。首先,模型的时空数据融合模块利用交通流量的周期相似性构建周期图,同时将空间和时间编码信息添加至交通流量序列数据;然后在时空特征提取模块中,GCN子模块捕获周期特征图中的空间特征,MAGRU子模块捕获序列数据中的时间特征;最后通过门控融合机制将两者提取的时空特征进行融合。模型在两个真实的交通流量数据集上进行了实验。结果表明,该模型相较于多个最新基准模型,在MAE、RMSE、MAPE三个预测误差指标上平均降低了5.4%、22.8%、10.3%,R2精确度指标平均提高了11.6%。说明模型在预测精度方面有显著的改进,并能有效减少误差累积效应。     

裂缝油藏合理井距数值模拟研究

利用数值模拟方法，分别研究了裂缝方向对开发指标的敏感程度、裂缝长度与裂缝强度对开发指标的影响、裂缝方向与裂缝长度对开发指标的影响。结果表明．当裂缝强度较弱时．井距的选取可不考虑裂缝的影响；当裂缝强度较强时．对于注采井连线与裂缝线平行或相交角较小时，合理井距应是裂缝长度的2～2．5倍之间；对于注采井连线与裂缝线相交角较大时．井距的选取可不考虑裂缝的影响；合理的人工压裂造缝规模应控制在井距的一半以内。     

精镗气缸体曲轴孔、凸轮轴等孔机床的改进——Z031机床介绍

一、机床概况1.机床用途Z031机床是精加工解放牌汽车发动机气缸体曲轴孔、凸轮轴孔、配电盘孔、机油泵孔、曲轴油封孔及前后端面耳环定位孔的专用组合机床。被加工零件如图1所示,其材料为3号灰铸铁,硬度为HB179～229。凸轮轴孔锒装粉末冶金套后镗孔。我厂原使用的2A731型机床也是用来加工这些孔的专用组合机床,但2A731型机床在长期使用中发现达不到凸轮轴孔孔径中φ54~(+0.03)与曲轴孔孔径中φ70.44~(+0.05)(Ⅰ、Ⅳ、Ⅶ),     

可信计算中的动态远程证明研究综述

远程证明是可信计算的研究热点.本文分析和比较了国内外在远程证明研究领域提出的三类代表性方法——基于信息流的方法、基于属性的方法和基于行为的方法.对三类远程证明方法中的代表性技术从技术原理、局限性等方面进行了研究和分析,并对后续研究面临的问题进行了展望.     

确定合理试油压差范围的数值模拟及应用

对于压力敏感储层，需确定试油压差的合理范围，根据单相微可压缩流体变形双重介质中作非达西渗的数学模型，研制了数值模拟软件，通过了解有关的地层参数和流体性质，特别是储层对压力的敏感程度，利用该软件计算不同压差下的产量， 绘制产量与压差的关系图，根据图形的极大值点和泡点（露点）压力确定合理的试油压差范围。给出了应用实例，该软件还可用于试井分析和产量评价。     

介绍两种分割肉设备

随着人民生活水平的提高和生产发展的需要,目前,许多肉联厂将白条肉按部位分割成小块分割肉。这种小包装的分割肉在运输、冷藏、销售等过程中都较方便实用,有明显的优点,因此越来越受到人们的欢迎和重视。商业部设计院的有关技术人员对泰州肉联厂现有的设备扯猪肩胛骨机和猪蹄分半机,进行了分析,对设备的某些另部件、结构尺寸、材料等做了相应的改进,其中公差     

数字图像篡改被动检测技术综述

现有数字图像篡改被动检测技术相关综述对传统检测手段的描述详实细致,但缺乏对以深度学习为导向的利用卷积神经网络检测技术的系统介绍。针对数字图像篡改被动检测问题,就基于特征提取的传统篡改检测和基于卷积神经网络的篡改检测两个主要研究方向进行了阐述,分析和总结了其主要研究工作和相关算法,并在此基础上指出了数字图像篡改被动检测未来可能的发展趋势。     

铣削头CX40辅件刀具调整装置CX40-F_1

在设计一机部部颁新系列尺寸的通用部件时,为了使镗,镗车、铣、钻削头等跨系列通用,设计了铣削头专用刀具调整装置辅件,这样去掉了铣削头中为了弥补刀具磨损后调整刀具的复杂套筒式结构及调整垫板的结构,此辅件结构简单,调整方便。     

基于建构主义理论的信息安全专业C++课程群教学模式改革

信息安全专业重基础、强实践,而目前以教师讲授为主、学生被动参与学习的教学模式难以有效支撑信息安全专业实践型人才培养的目标。本文提出一种有效的基于建构主义理论的信息安全专业C++课程群教学模式,通过将建构主义理论的理念和机制灵活应用于教学过程,充分调动学生的主观能动性和实践探索兴趣,培养学生分析问题和解决问题的能力,增强学生的团队合作能力和社会竞争力。     

结合金字塔Transformer与浅层CNN的变电站图像篡改检测

目的 变电站图像拼接篡改是电力系统的一大安全隐患,针对篡改图像背景复杂、篡改内容尺度不一造成的误检漏检问题以及相关研究较少,本文提出一种面向变电站的拼接篡改图像的双通道检测模型。方法 两通道均采用深度学习方法自适应提取篡改图像和残差图像的特征,其中篡改图像包含丰富的色彩特征和内容信息,残差图像重点凸显了篡改区域的边缘,有效应对了篡改图像多样性导致的篡改特征提取困难问题;将特征金字塔结构Transformer通道作为网络主分支,通过全局交互机制获取图像全局信息,建立关键点之间的联系,使模型具备良好的泛化性和多尺度特征处理能力;引入浅层卷积神经网络(convolutional neural network, CNN)通道作为辅助分支,着重提取篡改区域的边缘特征,使模型在整体轮廓上更容易定位篡改区域。结果 实验在自制变电站拼接篡改数据集(self-made substation splicing tampered dataset, SSSTD)、CASIA(Chinese Academy of Sciences Institute of Automation dataset)和NIST16(National Institute of Standards and Technology 16)上与4种同类型方法进行比较。定量上看,在SSSTD数据集中,本文模型相对性能第2的模型在精确率、召回率、F1和平均精度上分别提高了0.12%、2.17%、1.24%和7.71%;在CASIA和NIST16数据集中,本文模型也取得了最好成绩。定性上看,所提模型减少了误检和漏检,同时定位精度更高。结论 本文提出的双通道拼接篡改检测模型结合了Transformer和CNN在图像篡改检测方面的优势,提高了模型的检测精度,适用于复杂变电站场景下的篡改目标检测。