基于长短期记忆网络的心理健康数据分布式采集模型研究

为了实现对心理健康数据的准确处理与分析,提出基于长短期记忆网络的心理健康数据分布式采集模型。利用长短期记忆网络的选择性记忆特性,对初始数据进行分解重构,将重构偏差较多的心理健康数据判定为冗余数据,同时将其过滤;将C/S架构作为模型的整体框架,使用数据源管理、数据采集管理、网络通信管理、数据缓存管理四个板块完成分布式采集任务,利用长连接、变长数据包和缓存机制确保数据传输时效,运用线程安全队列来维护模型操作安全。经仿真分析可知：该模型具有较高的数据分布式采集精度,采集速率快且稳定性强。     

基于FLAC~(3D)的煤矿冲击地压深度模拟研究

煤层开采深度直接影响着冲击地压的发生,通常开采深度越大,煤体的地应力则越高,煤体变形和积聚的弹性潜能也越大。应用FLAC3D数值模拟软件,建立不同开采深度下的数学模型,分析巷道掘进对冲击地压动力灾害的影响,以模拟结果为基础,应用回归分析法确定了采掘深度与巷道附近最大主应力及最大位移的线性关系,并确定了发生冲击地压的深度,公式具有较高的相关度,对矿井的冲击地压预测防治有一定的指导意义。     

国际城市低碳发展规划与启示

在人类减少温室气体排放、共同遏制全球变暖的时代背景下,作为世界上最大发展中国家的首都、中国最发达的大城市之一,北京有责任、有义务、也有能力率先探索构建＂低碳城市＂之路。本文立足回顾若干     

北京市办公建筑空调能耗的调查与分析

以大型公共建筑能源审计所获得的数据为样本,选取其中5栋具有代表性的办公建筑单位能耗统计数据进行分析,探究办公建筑能耗的基本状况及特点,通过计算空调系统分项能耗指标,提出相应措施与建议,为政府能源管理部门及用能单位自身加强能源管理、挖掘节能潜力,实现为办公建筑空调系统节能目标提供科学的依据。     

薄带连铸界面传热热流分析

金属液与结晶辊之间的界面传热热流是影响薄带连铸初期凝固过程的关键.笔者利用自主开发的快速凝固界面传热测试装置,研究了金属液成分、结晶辊材质、结晶辊表面镀层、结晶辊表面纹理形貌和浇注温度等参数对界面换热的影响.研究结果表明通过控制金属液的成分、结晶辊表面镀层和纹理处理可以有效地控制界面热流.     

生丝黑点的形成与解决

简要分析丝胶黑点，丝毛黑点，散布形黑点的形成原因，分别采取措施，提高生丝质量。     

如何选择网络操作系统

上海计算机技术服务公司系长江计算机(集团)公司的主体企业。公司以系统集成、系统开发、系统服务为主要经营特色,曾成功开发具有社会效益和一定影响的工程项目,如市劳动局就业工程计算机管理系统,黄浦区人民政府综合管理系统等。公司经营始终围绕市场做文章,是国有企业中较早进入市场,并遵循市场经济规律办事的企业之一。本刊专辟栏目进行全面报道,以冀为其他公司提供借鉴。     

基于两类特征与AFSA优化SVM的滚动轴承故障诊断研究

针对非线性、非平稳的滚动轴承振动信号特征"难表征"和基于支持向量机(Support vector machine, SVM)的故障分类模型"精度低"的问题,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)、峭度图(Kurtogram)与人工鱼群算法(Artificial Fish Swarm Algorithm,AFSA)优化SVM相结合的滚动轴承状态辨识方法。首先,利用Kurtogram算法、相关系数最大准则"筛选"出原信号经VMD后包含有效故障信息的本征模函数(Intrinsic Mode Functions, IMF),并计算其形态谱熵和能量熵构建有效特征向量集;其次,利用AFSA寻找最优的惩罚系数C和高斯核宽度系数σ的核函数系数组合(C、σ);并将有效特征向量集作为上述算法的输入建立滚动轴承状态辨识模型。实验结果表明,所提方法不仅能凸显原信号中的有效故障成份,同时也提高了模型学习效率和分类精度。     

EMPE和KP-KELM在行星齿轮箱故障诊断中的应用

针对非线性、非平稳的行星齿轮箱振动信号故障特征"难提取"和基于核参数随机生成的高斯核极限学习机状态辨识模型分类精度低的问题,提出一种改进多尺度排列熵(Enhence Multi-scale Permutation Entropy,EMPE)与核极化高斯核极限学习机(Kernel Extreme Learning Machine,KELM)结合的行星齿轮箱状态辨识方法。首先,将经由形态平均滤波的行星齿轮箱行星齿轮的振动信号,借助于EMPE来获取多尺度下的排列熵值(Permutation Entropy,PE)构建高维特征向量集;其次,利用核极化(Kernel Polarization,KP)优化高斯核极限学习机的核参数σ;最后,将EMPE特征向量集作为输入,通过KP优化KELM算法的训练建立行星齿轮状态辨识模型。实验结果表明,与基于SVM和KELM的状态辨识模型相比,基于EMPE和KP-KELM的行星齿轮故障诊断方法具有更高的分类精度。