防盗莫忘防火

为了防盗,有许多居民住宅除安装了铁门外,窗户及阳台也都安装了铁栅栏,使整个住宅形成了一个封闭空间。多家使用的综合楼,各经营单位在自己的地盘上大搞独立王国,分隔通道,在防火门、防火卷帘门上     

世界科技城发展模式研究及其对景德镇国家陶瓷科技城发展的启示

景德镇国家陶瓷科技城发展至今,与国内其他科技城相比,一直处于低水平发展状态。本文对国内外科技城发展的成功经验和失败教训进行了总结剖析,根据景德镇国家陶瓷科技城发展现状及存在的问题,参照世界各科技城发展模式,提出景德镇国家陶瓷科技城要实现可持续发展,必须实现多个方面的突破和改进。     

我国古代火灾知多少

考古发现,我国在5000多年前就有木架结构连片建筑,因此失火与防火,就成了中国古代建筑中两大“永恒的主题”。我国正史《二十五史》中就有《五行志——灾火),所记述火灾案例896起,其中有关宫殿等大型建筑火灾记录尤为详细。 著名的阿房宫,整个工程驱役70多万刑役人员,耗时10年,项羽攻入咸阳后,一把大火,三月不绝,连同     

面包房引起的伦敦大火

1666年8月1日夜晚,英国首都伦敦的一个面包师不慎闯下大祸,伦敦几乎倾城被毁。当时,这个面包师以为烘烤炉已经熄灭,便上床睡觉去了。谁料炉子里的余热还很高,几个小时以后,搁在炉子上的一些木块烧着了!大火吞噬了面包师的房子,然后沿着通向泰晤士河的由无数木板     

羧基化改性纤维素凝胶球的制备和表征

以微晶纤维素为原料,利用NaOH/尿素体系对微晶纤维素进行溶解,得到再生纤维素溶液。采用滴定悬浮的方法制备纤维素水凝胶球,采用2,2,6,6-四甲基哌啶-1-氧基自由基（TEMPO）/NaBr/NaClO选择性氧化体系对纤维素水凝胶球进行氧化处理,获得羧基化改性纤维素水凝胶球,冷冻干燥得到羧基化改性纤维素气凝胶球。研究结果表明：羧基化改性纤维素水凝胶球的含水量为95.64%,吸附4h,亚甲基蓝的吸附量达到6.97mg/g。对羧基化改性纤维素气凝胶球进行傅里叶变换红外光谱（FT-IR）和扫描电子显微镜（SEM）表征分析,在1600cm^-1处出现了CO的伸缩振动峰,TEMPO的选择性氧化对样品起到羧基化改性作用,羧基化改性纤维素气凝胶增加了球形气凝胶的表面通透性,内部仍呈现网络结构,羧基化改性纤维素气凝胶球的密度为0.038g/cm³。     

基于压缩感知和深度学习的分类识别技术

雷达对空飞机目标分类可实现雷达装备获得敌机属性和类别信息,对于现代战争其重要性显得尤为突出。针对复杂电磁环境下的飞机目标分类问题,结合防空雷达的特点建立3类（固定翼、螺旋桨和直升机）飞机旋转部件调制回波模型,并理论分析了不同类型飞机目标的微动特征差异。仿真分析在复杂电磁环境下干扰对微动频谱的影响。引入压缩感知方法进行干扰条件下的微动特征稀疏恢复,采用堆栈自编码学习(SAE)方法构建深层神经网络对目标进行自动特征提取和分类识别;实录数据验证表明,本文特征提取和识别方法在干扰比例41%时识别正确率能达到75%。     

基于T-S模糊神经网络汽提塔温度控制研究

由于汽提过程是一个具有高度非线性和时变等特点的复杂工艺过程,其准确的数学模型难以建立,过程参数也较难控制,运用传统的控制方法难以达到高精度的控制效果。基于T-S模糊神经网络具有较强的逼近和学习能力,又需要较少的先验知识,能够在线学习等特点,本文采用最邻近聚类法对传统的T-S模糊神经网络方法进行改进,同时,采用共轭梯度法和递归最小二乘法来确定模型得参数,结合现有的该公司的实际运行数据,建立了汽提塔系统的模型。仿真结果验证了采用T-S模糊神经网络方法建模的有效性。     

基于EMD的改进马田系统的滚动轴承故障诊断

为了提高滚动轴承的可靠性、及时发现其潜在的故障,提出了一种基于改进马田系统(MMTS)的滚动轴承故障诊断方法。首先利用经验模态分解(EMD)方法对原振动信号进行分解,得到了多个本征模态分量(IMF)并计算基本模式分量的统计特征集。然后,在此基础上构建基准空间(马氏空间),针对马田系统在筛选特征变量时效果不佳、基准空间数据的差异性问题,引入粗糙集(RS)筛选有效特征变量改进马田系统,大幅降低特征向量的维数。最后,计算待诊断信号到基准空间的马氏距离,从而完成滚动轴承的故障诊断。利用滚动轴承振动数据对该模型进行了测试,结果表明,该模型与实际相符,可以准确、有效地识别滚动轴承的故障类型。     

聊天机器人中用户就医意图识别方法

传统的聊天机器人中用户意图识别一般采用基于模板匹配或人工特征集合等方法,针对其费时费力而且扩展性不强的问题,并结合医疗领域聊天文本的特点,提出了基于短文本主题模型（BTM）和双向门控循环单元（BiGRU）的意图识别模型。该混合模型将用户就医意图识别看作分类问题,使用主题特征,首先通过BTM对用户聊天文本逐句进行主题挖掘并量化,然后送入BiGRU进行完整上下文学习得到连续语句最终表示,最后通过分类完成用户就医意图识别。对爬取的语料进行实验,BTM-BiGRU方法明显优于传统的支持向量机（SVM）等方法,其F值更是高出目前较好的卷积长短期记忆组合神经网络（CNN-LSTM）近1.5个百分点。实验结果表明,在本任务上该混合模型重点考虑研究对象的特点,能有效提高意图识别的准确率。