微尺度下空气静压支撑在滑移区的承载特性实验研究

为了阐释空气静压导轨气膜间隙处在微小尺度所体现的特性,引入努森数(Kn),计算了不同工况下气膜内压力和不同气膜厚度下Kn数的变化关系。引入支撑区气膜分层假设,与分子动力学相结合,对气膜内不同流态层的刚度进行了实验和分析。通过ANSYS仿真和实验数据相结合得出了结论:气膜内稀薄效应的增强,可以一定程度上提高气浮支撑的静承载能力。气浮支撑的刚度特性和气膜内部分层情况有关:以分子碰撞运动为主的稀薄层主要起容性效应,实现分子间动量的传递和转化,因此该层所体现出来的刚度较差;以惯性力驱动的连续流层内部分子运动比较稳定,特别是在垂直方向不存在显著的动能和压力能之间的转化,因此该层的刚度特性较强。实验证明,气膜厚度在1~10 μm时,气膜的刚度先增大后减小,也间接论证了静压支撑的刚度特性主要由气膜内连续流层决定。     

多目标启发式狼群算法求解不相关并行机分批调度问题

针对考虑机器加工约束的不相关并行机分批调度问题,以工件种类切换次数和机器启停评价函数为优化目标,提出一种多目标启发式狼群算法进行求解。该算法在生成初始种群的过程中,融入列表反向学习和基于机器加工效率的启发式策略,并设计了一种不规则实数矩阵编码方式来实现任务分批。采用局部和全局邻域搜索相结合的方式实现狼群算法中智能行为搜索,通过分批调整学习机制对当前结果进行邻域搜索,利用改进整数解Pareto非支配排序方式循环迭代。最后通过不同规模实际算例测试和相关算法比较,验证了该算法的有效性和优越性。     

异质信息网络中基于网络嵌入的影响力最大化

针对当前大部分影响力最大化算法忽略了异质信息网络包含多种节点类型和多种关系类型,且不同类型节点在原始空间无法直接度量的问题,提出了一种异质信息网络中基于网络嵌入的影响力最大化模型（influence maximization based on network embedding,IMNE）,用于选择初始扩散节点实现影响力最大化。该模型不仅可以在对异质信息网络进行编码的同时表征异质信息网络中潜在的信息,还可以捕获不同类型节点间影响力的不确定和复杂性。在3个真实数据集上的实验验证了IMNE算法的有效性。     

融合LSTM和LDA差异的新闻文本关键词抽取方法

针对语义信息对TextRank的影响,同时考虑新闻标题信息高度浓缩以及关键词的覆盖性与差异性的特点,提出一种新的融合LSTM和LDA差异的关键词抽取方法。首先对新闻文本进行预处理,得到候选关键词;其次通过LDA主题模型得到候选关键词的主题差异影响度;然后结合LSTM模型和word2vec模型计算候选关键词与标题的语义相关性影响度;最后将候选关键词节点按照主题差异影响度和语义相关性影响度进行非均匀转移,得到最终的候选关键词排序,抽取关键词。该方法融合了关键词的语义重要性、覆盖性以及差异性的不同属性。在搜狗全网新闻语料上的实验结果表明,该方法的抽取结果相比于传统方法在准确率和召回率上都有明显提升。     

遗传算法在排课问题中的应用研究

高校教育模式的不断发展,使得排课过程中的各种约束因素更加复杂。针对高校排课过程中的各种约束条件进行分析,建立了基于遗传算法的染色体编码,分析了在遗传算法中进行教室调度、生成初始种群和应对冲突,并对应用遗传算法来解决排课问题进行了系统建模。     

3D迁移网络的阿尔茨海默症分类研究

阿尔兹海默症目前还无法被治愈,若能对其正确诊断,则可采用正确治疗方式延缓病人病情。为减少人工诊断的时间和成本,采用机器学习方法来辅助人工诊断阿尔兹海默症,提出了一种利用3D核磁共振成像信号来诊断的迁移学习方法。该方法采用MobileNet迁移网络来提取瓶颈特征,并增加了一个有监督训练的顶层来进一步降维和提取特征,最后在分类层中将被试者所有切片的特征进行合并和训练,完成阿尔兹海默症与正常控制的分类。该方法的优点在于,可使网络的训练时间下降,提高分类准确率。实验采用了OASIS数据对该方法进行测试,结果表明,该方法的分类准确率比传统迁移学习网络提高了约8个百分点,而时间只有传统迁移方法的1/60。     

结合我校实际浅析普通高校乒乓球选项课的发展对策

高等学校的根本任务是培养德、智体全面发展的高级专门人才,体育课作为增强学生体质,培养学生意志力,学习体育技能,健全体魄,掌握科学的体育锻炼方法,有着重要作用,让学生能正确地学习掌握一门体育专项技术,是提升学生今后生活质量,身体健康的基础。乒乓球作为我国较为普及的体育项目,是深受人们喜爱的大众体育运动,它在具有广泛的适应性、趣味性和娱乐性的同时它还具备很强的竞争性,具有良好的健身价值。     

透水性混凝土应用探讨

透水性混凝土在工程实践中得到了广泛的应用,特别是在道路工程中,合理的利用,将会取得较好的使用效果。结合其优、缺点及分类,探讨其在工程中发展及应用。     

基于改进KPCA与混合核函数LSSVR的泥石流预测

针对引发泥石流灾害的多重影响因素而导致的预测维数灾难，以及最小二乘支持向量回归（least squares support vector regression， LSSVR）模型中选取单核函数而导致的模型训练性能部分缺陷的问题，提出了一种基于改进的核主成分分析（kernel principal component analysis， KPCA）与混合核函数LSSVR的泥石流灾害预测方法.首先，将影响泥石流发生的7种初始因子赋予权重，利用加权KPCA法筛选出3个主成分影响因子作为模型输入；然后，将局部核函数与全局核函数相结合，运用到LSSVR模型上，进行泥石流发生概率预测，以平衡样本学习能力与泛化能力，并使用果蝇优化算法（fruit fly optimization algorithm， FOA）更新模型的最优参数；最后，以磨子沟监测数据进行仿真验证.结果表明，该方法能够有效地降低维数灾难并提升预测模型精确度，在误差允许范围内预测出泥石流发生概率值及对应的预警等级，为相关决策部门提供一定的借鉴经验.