基于反应扩散方程的水平集结构拓扑优化方法与实现

为实现更加先进的拓扑优化算法,研究采用反应扩散方程的水平集结构拓扑优化方法,通过理论推导给出算法中的参数选择建议.该方法允许在拓扑优化过程中生成新的孔洞,初始结构无须包含孔洞,不需要重新初始化步骤,从而可提高算法的收敛性.针对传统拓扑优化中主要采用体积约束、以柔度最小为目标和体积保留率设定存在一定主观性的问题,探究不同体积保留率下的结构应力水平的变化规律,结果显示可以依据结构最大应力水平与体积保留率的变化规律确定最优体积保留率.     

适用于RPA工具的卷积序列推荐算法

在机器人流程自动化(Robotic Process Automation, RPA)软件中,经常采用序列推荐系统让机器人完成判断、选择等人工处理的任务。然而常用的序列推荐系统受限于序列信息的提取困难等问题,难以得到广泛应用。为了解决这一问题,构建一种基于Inception的卷积序列推荐模型,把时间和潜在空间中的用户行为序列信息嵌入进一幅“图像”中,并通过动态和静态2种不同的卷积层提取其中的局部特征,全面地提取用户的短期兴趣偏好,同时将用户嵌入矩阵作为用户的长期兴趣偏好嵌入到卷积层的输出中,共同构建完整的用户兴趣偏好,提升推荐性能。通过在3种公开数据集MovieLens 1M、Gowalla、Steam上分别进行实验,验证了基于Inception的卷积序列推荐模型的性能优于最新的序列推荐模型,在Top-N序列推荐的3种评价指标中（精确率、召回率、平均AP值）,平均提升幅度在10%左右,单个指标上的最大提升幅度为14%。     

基于深度置信网络的多变量时间序列分类方法

针对当前多变量时间序列分类方法未考虑降维处理多变量时间序列,导致多变量时间序列分类精度较低,分类时间较长的问题,提出了基于深度置信网络的多变量时间序列分类方法.通过构建深度置信网络模型结构,基于受限玻尔兹曼机,提取可见单元与隐藏单元特征信息,采用Isomap算法,在深度置信网络内进行优先特征提取操作,通过附加约束构造半正定矩阵,降维处理多变量时间序列.在低维特征空间内,利用支持向量机中分线性分类函数,计算得到拉格朗日乘子,根据正则化参数特性,通过高斯核函数,计算得到最优核函数,完成多变量时间序列分类.实验结果表明,提出方法的泛化误差较小,能够有效提高多变量时间序列分类精度,缩短多变量时间序列分类时间.     

轧制力传感器模态与瞬态仿真分析

为满足轧机振动测试的需求,对自行设计的小型轧机的轧制力传感器进行模态和瞬态仿真分析.将轧制力传感器的分析简化为对敏感元件的分析,建立仿真分析的模型,为接近轧机的实际工作受力情况,模态分析施加定载荷,而瞬态分析施加随时间变化的载荷.仿真结果表明,轧制力传感器的各阶振动频率均远高于轧机设备的固有频率,轧制力传感器的结构不会与轧机产生共振;敏感元件关键点的位移响应与轧制力函数载荷的变化基本一致,均没有激振现象的发生,说明敏感元件的设计符合轧机振动测试的要求.     

网络空间安全实训设计

为保障网络空间安全,需要加强网络空间安全人才队伍建设,实训是把学生培养成为高素质复合型人才的重要手段。通过分析我国网络空间安全人才队伍建设现状,构建实训课程体系和实训平台,设计实训大纲和实训竞赛平台,形成了校企合作、教学与竞赛相结合的实训体系。实践证明,此网络空间安全实训设计能有效提高学生的网络空间安全技术能力,具有一定的推广价值,为高校培养应用型、复合型人才提供了新思路。     

小波包变换在火箭发动机脉动压力分析中的应用

在火箭发动机试验中,燃烧室脉动压力数据是考察推进剂燃烧状态的重要依据.通过对脉动压力数据特征分析,利用小波包变换多分辨分析的特点,以信噪比作为衡量标准,采用小波包自选阈值法对脉动压力数据进行去噪.通过与稳态参数数据的对比验证了去噪结果的准确性.采用Wicherhauser树状分解和Shannon信息熵基波选择标准等方法对脉动压力数据进行分频段分析.根据结果中各频段内的系数特征能够直观分析脉动压力在各频带中的能量分布.通过对脉动压力数据和相应振动测点数据的频谱分析,验证了分析结果的有效性.该方法在其他型号发动机和组合件试验脉动压力数据分析中有重要的应用和推广价值.     

深度学习在主动脉中膜变性病理图像分类中的应用

胸主动脉瘤和夹层（TAAD）是严重的心血管疾病之一,而中膜变性（MD）的组织学改变对疾病的诊断及早期干预具有重要的临床意义。针对病理图像的高度复杂性使得MD的诊断过程耗时费力且一致性差的问题,提出了一种基于深度学习的病理图像分类方法,并将其应用于四种MD病变类型以进行性能验证。该方法使用了一种改进的基于GoogLeNet的卷积神经网络模型,首先采用迁移学习来将先验知识应用于TAAD病理图像的表达,然后使用Focal loss和L2正则化来解决数据不平衡问题,从而进一步优化模型性能。实验结果表明,所提模型的平均四分类准确率达到98.78%,表现出较好的泛化性能。可见所提方法可以有效地提升病理学家的诊断效率。     

基于部分加权损失函数的RefineDet

针对目标检测网络单阶改进目标检测器（RefineDet）对类间不平衡数据集中小样本类别检测性能差的问题,提出一种部分加权损失函数SWLoss。首先,以每个训练批量中不同类别样本数量的倒数作为启发式的类间样本平衡因子,对分类损失中的不同类别进行加权,从而提高对小样本类别学习的关注程度;然后引入多任务平衡因子对分类损失和回归损失进行加权,缩小两个任务学习速率的差异;最后,在目标类别样本数量存在大幅差异的Pascal VOC 2007数据集和点阵字符数据集上进行实验。结果表明,与原始RefineDet相比,基于SWLoss的RefineDet明显提高了小样本类别的检测精度,它在两个数据集上的平均精度均值（mAP）分别提高了1.01、9.86个百分点;与基于损失平衡函数和加权成对损失的RefineDet相比,基于SWLoss的RefineDet在两个数据集上的mAP分别提高了0.68、4.73和0.49、1.48个百分点。     

基于局部概率抽样的标签噪声过滤方法

分类学习任务中,在获取数据的过程中会不可避免地产生噪声,特别是标签噪声的存在不仅使得学习模型更复杂,而且容易造成过拟合并导致分类器泛化能力的下降。标签噪声过滤算法虽然在一定程度上可以解决上述问题,但是仍然存在噪声识别能力较差、分类效果不够理想以及过滤效率低等问题。针对这些问题,提出一种基于标签置信度分布的局部概率抽样方法来进行标签噪声过滤。首先利用随机森林分类器对样本的标签进行投票,从而获取每个样本的标签置信度;然后根据标签置信度的大小,将样本划分为易识别样本和难识别样本;最后分别采用不同的过滤策略对样本进行过滤。实验结果表明,在标签噪声存在的情况下,所提方法在大多数案例上能够保持较高的噪声识别能力,并且在分类泛化性能上也具有明显优势。     

基于图卷积网络的微博新闻故事线抽取方法

微博作为人们获取和传播新闻事件的主要平台,隐藏着丰富的事件信息。从微博数据中抽取故事线能为用户提供一种直观的方式来准确理解事件演化,然而微博数据稀疏和上下文缺乏的特点为故事线抽取带来了挑战。因此,通过两个连续的任务从微博数据中自动抽取故事线：1）基于微博传播影响力对事件进行建模,并提取出首要事件;2）基于事件特征建立异构事件图,提出事件图卷积网络（E-GCN）模型来提升对事件间隐式关系的学习能力,从而实现事件的故事分支预测并链接事件。在真实数据集上从故事分支和故事线两个角度进行评测,结果表明所提方法在故事分支生成测评中,相较于贝叶斯模型、斯坦纳树和故事森林在F1值上,在Dataset1上分别高出28个百分点、20个百分点和27个百分点,在Dataset2上分别高出19个百分点、12个百分点和22个百分点;而在故事线抽取评测中,相较于故事时间线、斯坦纳树和故事森林在正确的边准确率上,在Dataset1上分别高出33个百分点、23个百分点和17个百分点,在Dataset2上分别高出12个百分点、3个百分点和9个百分点。