多业务低轨道卫星通信系统的一种切换方案

提出了话音和数据综合业务LEO卫星通信系统的一种切换方案-动态信道抢占优先方案。该方案考虑了数据业务特性和话音切换业务的高优先级,并使用排队策略,为话音切换业务提供抢占优先权。该方案还采用了动态阈值的保护信道策略,保证了新呼叫和切换呼叫之间的优先级和公平性。通过计算机仿真,与无优先方案和传统保护信道方案进行比较,该方案使系统的服务等级和信道利用率性能得到了改善。     

聚酰胺酸酰亚胺化条件及其对聚酰亚胺力学性能的影响

采用均苯四酸二酐(PMDA)和4,4'-二氨基二苯醚(ODA)为单体,N-甲基吡咯烷酮(NMP)为溶剂,合成了黏度为1.87 dL/g的聚酰胺酸(PAA)。对聚酰胺酸分别进行了热酰亚胺化和化学酰亚胺化处理,研究了完全酰亚胺化所需的条件以及不同酰亚胺化方式对聚酰亚胺(PI)纤维条断裂强度的影响;对PAA初生纤维条进行拉伸和酰亚胺化处理的顺序不同,所得到的聚酰亚胺(PI)纤维条的力学性能不同,采用先酰亚胺化再拉伸的方法能得到力学性能更优异的聚酰亚胺(PI)纤维条。     

图像信息对句子语义理解与表示的有效性验证与分析

近年来,图像文本建模研究已经成为自然语言处理领域一个重要的研究方向.图像常被用于增强句子的语义理解与表示.然而也有研究人员对图像信息用于句子语义理解的必要性提出质疑,原因是文本本身就能够提供强有力的先验知识,帮助模型取得非常好的效果;甚至在不使用图像的条件下就能得出正确的答案.因此研究图像文本建模需要首先回答一个问题:图像是否有助于句子语义的理解与表示?为此,本文选择一个典型的不包含图像的自然语言语义理解任务:自然语言推理,并将图像信息引入到该任务中用于验证图像信息的有效性.由于自然语言推理任务是一个单一的自然语言任务,在数据标注过程中没有考虑图像信息,因此选择该任务能够更客观地分析出图像信息对句子语义理解与表示的影响.具体而言,本文提出一种通用的即插即用框架(general plug and play framework)用于图像信息的整合.基于该框架,本文选择目前最先进的五个自然语言推理模型,对比分析这些模型在使用图像信息前后的表现,以及使用不同图像处理模型与不同图像设置时的表现.最后,本文在一个大规模公开数据集上进行了大量实验,实验结果证实图像作为额外知识,确实有助于句子语义的理解与表示.此外,还证实了不同的图像处理模型和使用方法对整个模型的表现也会造成不同的影响.     

几种典型高耐久性防腐蚀涂层体系的循环老化研究

按照防腐蚀保护相关标准要求,对热喷镀锌复合涂层、富锌底漆涂层和非富锌底漆涂层等三类典型的海洋大气环境下的涂层体系进行循环老化试验,分析了各涂层体系的失效原因,并在防腐性能、施工成本、后期维护和环保性等方面进行对比分析。在极端腐蚀环境的循环老化试验中,涂层失效的主要原因为缝隙腐蚀和温度变化产生的热胀冷缩作用。在极端腐蚀环境中推荐使用镀锌涂层和富锌底漆涂层体系。环保化、低VOC （挥发性有机化合物）化以及长效化是海工重防腐涂料的未来发展方向。     

船舶分段多工位协同制造系统数学模型研究及应用

针对船舶分段制造生产过程中存在的生产计划柔性差、异常信息处理不及时、系统变化响应速度慢等问题,提出针对生产过程工位级的协同控制系统,通过开展协同模型分析,多工位间协同动态调整机制,构建多工位协同系统制造数学模型,采用案例对协同结果进行验证。通过应用多工位协同数学模型可有效提高生产计划精度和柔性,实现船舶制造车间互联互通,对提高船舶制造生产效率具有重要意义。     

基于计算智能的电站锅炉燃烧优化控制

燃烧优化是提升电站锅炉效率降低污染物排放的有效途径;计算智能是目前实现燃烧过程建模及优化的重要手段.本文综述了各种计算智能算法在电站锅炉燃烧优化控制中研究成果,分别对其技术特点和不足进行了分析,并提出了燃烧优化技术的发展方向和前景,对从事该方面的研究人员有一定参考价值.     

变压器油温异常原因与诊断方法的研究

变压器油温异常一方面加快绝缘老化,缩短变压器的使用寿命,另一方面又可能存在大的安全隐患有可能引发事故。提出了以油色谱为主结合有关电气试验、红外测温来分析油温异常原因和部位的综合诊断方法。其中三比值法够能判断属于不同类型过热,但是三比值法的编码不全,不能诊断多重故障的缺陷。可拓理论,将其与三比值法相结合,可以克服这一局限,大大提高了诊断的精度。     

基于学习的模糊人脸图像重构算法研究

人脸研究一直是计算机视觉、模式识别和计算机图形学领域中的热点研究问题之一。现今,通过监视器得到的人脸图像分辨率不高,以至于给人脸识别和跟踪等后续应用带来很大的难度。本文提出一种基于学习的超分辨率重构算法来得到清晰的人脸图像,采用对图像块搜索操作进行位置限制和检查图像分块间重叠区域水平兼容性的思想,降低了搜索的复杂度,提高了匹配相关性。     

针对情境感知的自然语言的因果去偏推理方法

情境感知的自然语言推理任务要求模型能够根据给定情境信息判断前提句子与假设句子之间的语义推理关系. 大量的研究工作通过利用情境信息增强对输入句子的语义表征学习,取得了显著的效果. 然而,这些方法忽略了情境信息以及输入句子之间存在的虚假关联,导致模型存在泛化性及鲁棒性差的问题. 同时,已有的去偏方法未能充分考虑语义推理过程中情境信息的影响,造成情境信息利用不充分、虚假关联识别不准确的问题. 针对以上问题,通过融合因果推断方法,提出一种全新的因果去偏推理方法CBDRM（causal-based debiased reasoning method）,在充分考虑情境信息的条件下,缓解模型在推理过程中受到的有偏信息的影响. 具体而言,首先通过统计分析为输入数据构建因果图,实现对输入数据中的不同变量之间的关系的准确刻画;在此基础上,利用预训练模型的有偏训练实现输入数据对预测结果的总因果效应的计算. 同时,利用因果反事实方法实现计算数据中的虚假关联所导致的直接因果效应. 通过从总因果效应中去除虚假关联所带来的直接因果效应,实现了对输入句子的语义推理关系的无偏预测. 更进一步,考虑到在语义推理过程中情境信息对语义表达的影响,设计了一个全新的对比学习模块,实现了在考虑情境信息的情况下输入文本的语义表示,进一步提升了模型的无偏推理性能. 最后,在公开数据集上进行了大量的实验验证. 实验结果充分证明了所提出的方法的有效性. 为了对无偏自然语言推理方法进行更好的评估,构建并公开了一个无偏的情境感知的自然语言推理挑战集,用于推动该领域的相关研究.