大数据技术研究综述

大数据的产生给海量信息处理技术带来新的挑战.为了更全面深入地了解大数据的内涵,从大数据的概念特征、一般处理流程、关键技术三个方面进行详细阐述.分析了大数据的产生背景,简述了大数据的基本概念、典型的4“V”特征以及重点应用领域;归纳总结了大数据处理的一般流程,针对其中的关键技术,如MapReduce、GFS、BigTable、Hadoop以及数据可视化等,介绍了基本的处理过程和组织结构;具体分析指出了大数据时代所面临的问题与挑战.     

矿业城市生态环境质量状况综合评价

根据城市生态学原理和研究方法,针对矿业城市———抚顺市生态环境特点,提出了能够体现矿业城市生态环境质量主要特征的,定性、定量考核的评价指标体系。利用模糊数学和层次分析等方法,建立了矿业城市生态环境质量综合评价模型。评价结果显示,各项指标均处于差的水平,得出由于煤矿开采所造成的生态环境的破坏是制约抚顺城市生态环境可持续发展的主要因子。提出了抚顺市在城市环境综合整治工作中要以矿区土地复垦、地质灾害整治为重点,大力进行城市绿化,继续加大污染控制力度,改善城市水环境质量和空气环境质量,推行清洁生产,从而全面改善抚顺市生态环境质量。     

精密微功耗单电源运算放大器OP777/727/747

ADI公司的OP777、OP727和OP747分别是精密的单、双和四个轨至轨输出的单电源放大器,具有微功耗工作和轨至轨输出范围的特点.这些放大器与用±15V电源工作的工业标准OP07相比,性能得到了改进,并且具有适于在低至2.7V的单电源下工作的优点,同时能够选择更小的封装形式.在带超过500PF的容性负载时,输出也是稳定的.在5V供电的情况下,每个放大器的电源电流小于300μA.用500Ω的串联电阻保护输入端,允许其输入信号电平高于正电源数伏,而不会有相位反转.     

浅析高压隔离关发热的原因及处理措施

在电网运行过程中,高压隔离关作为高压电器设备之,其主要起到隔离的作用,所以长期以来,其都是电力系统中使用量大及使用范围广的设备,用其来作为接通高压线路时、及在无载情况下断的设备,也可用检修时对电气进行隔离的设备,其应用范围较广,所以保证高压隔离关处于正常的运行状态下,是保证线路安全运行及人员安全的重要保障。文章对高压隔离关发热的原因进行了分析,并进步对高压隔离关发热处理办法进行了具体的阐述。     

同步发电机定子绕组匝间短路时转子动态电磁力计算

为准确地分析定子绕组匝间短路后同步发电机转子铁心电磁力的分布特点和变化规律,建立了同步发电机内部短路场路耦合模型,并结合麦克斯韦应力法,对一台1 400 MW半速汽轮发电机转子齿顶和齿壁动态电磁力进行了计算。经分析得到:在短路环电流的影响下,转子齿顶和齿壁局部电磁力突增,且最大电磁力集中在磁极两侧边缘处和槽口位置。随着短路匝数的增加,齿顶和齿壁局部电磁力的最大值小幅增加。该文为全面了解匝间短路对同步发电机的威胁和转子结构的优化设计提供了相应的理论依据。     

基于深度图神经网络的协同推荐算法

针对现有基于图神经网络（GNN）的推荐算法面临的过平滑的问题，提出一种基于深度GNN的协同过滤推荐算法Deep NGCF(Deep Neural Graph Collaborative Filtering)。该算法在GNN中引入初始残差连接和恒等映射，避免了GNN进行多次图卷积运算后陷入过平滑。首先，通过用户和项目的交互历史得到它们的初始嵌入；其次，在聚合传播层利用初始残差连接和恒等映射得到用户和项目的不同阶协同信号；最后，对所有协同信号进行线性表示以得到预测评分。此外，在初始残差连接和恒等映射中设置比重进行调节，从而进一步提高模型的灵活性和推荐性能。为验证Deep NGCF算法的可行性和有效性，在Gowalla、Yelp-2018与Amazon-Book数据集上进行实验。实验结果表明，相较于图卷积矩阵补全（GCMC）、神经图协同过滤（NGCF）等现有的GNN推荐算法，Deep NGCF算法取得了最高的召回率和归一化折损累计增益（NDCG），验证了所提算法的有效性。     

增强特征融合的动态图卷积的机载LiDAR点云分类

针对动态图卷积神经网络(dynamic graph convolutional neural network, DGCNN)聚合邻居点信息时的局限性，提出一种增强特征融合的动态图卷积神经网络模型EFF-DGCNN,并应用于机载LiDAR点云分类。该模型主要基于DGCNN提出特征增强模块和特征融合模块，对原始三维点云进行分类。首先，基于DGCNN对原始点云进行边缘卷积获取局部特征和全局特征；然后，将全局特征集成于各层的局部特征得到增强局部特征，据此凸显点云不同特征的重要性，使网络更加关注有利于分类的特征；最后，对不同增强局部特征进行特征融合得到深层次特征，从而实现点云的分类。为验证所提模型的分类性能，在GML＿DataSetA数据集和ISPRS数据集分别进行了点云分类试验。试验结果表明：相比于DGCNN,所提EFF-DGCNN模型具有更好的分类能力，能更好地区分结构相似的点云。