激光多普勒信号的几种处理方法在Matlab中的实现

激光多普勒信号具有强度弱、信噪比低、噪声干扰大等特点。简要介绍快速傅里叶变换（FFT）、数字相关、Welch修正周期图功率谱估计算法的基本原理,并在Matlab中对仿真信号和实测的激光多普勒信号用以上几种方法进行数据处理并做比较。实验结果表明,它们都能有效地从噪声中提取信号,数字相关技术能更好地去除噪声,但都存在精度不够高的问题,需要对信号处理方法做进一步的研究。     

冲天炉新技术特点及炉气余热利用

介绍了冲天炉炉型特点,风口面积分配比,风口比,风口排距、个数及余热利用.     

基于特征融合的中文新闻文本情感分类方法研究

针对现有的新闻文本情感分析任务中,单一模型提取文本特征的片面性,且无法充分提取新闻文本语义等特征问题,提出一种基于门控单元特征融合的BERT-CNN情感分析方法。该方法分别采用BERT语言预训练模型与卷积神经网络（CNN）对新闻文本的特征向量进行提取;然后采用门控循环单元对提取到的文本特征进行特征融合;再输入到Softmax层进行新闻文本分类;最后从精准率、召回率和F1-Score三个维度对比BERT、BERT-CNN、BERT-DPCNN和BERT-ERNIE的实验结果。实验结果表明,当分类场景更换为情感识别时,BERT-CNN依旧具有强大的语义捕捉能力,证明了BERT-CNN的泛化能力;另外,从原BERT的提升效果看,基于门控单元特征融合的BERT-CNN方法（提升2.07%）比词向量的方法（提升0.31%）更高。这一结果也证明了基于门控单元特征融合的BERT-CNN方法的有效性。     

基于改进的BERT-CNN模型的新闻文本分类研究

语言处理模型层出不穷,从在图像领域运用的卷积神经网络(Convolutional Neural Networks,CNN)、被改进后的TextCNN到循环神经网络(Rerrent Neural Network,RNN)、谷歌推出的transformer模型以及百度公司提出的ERNIE模型等.为了区分出在新闻文本领域处理效果最佳的文本分类模型,基于新闻文本任务数据对来自变换器的双向编码器表征量(Bidirectional Encoder Representations from Transformers,BERT)进行微调,再将BERT作为embedding输入到其他深度学习模型中,最后对比目前几个深度学习模型的训练效果.实验结果表明,BERT-CNN模型分类效果最佳,其准确率比原BERT模型的准确率多了0.31％,且更为稳定.     

冲天炉新技术特点及炉气余热利用

介绍了冲天炉炉型特点，风口面积分配比、风口比、风口排距和个数。以及余热利用。     

雷达训练模拟器虚拟靶标仿真关键技术研究

基于计算机仿真技术生成的虚拟靶标,作为雷达模拟器的训练目标,是防空兵分队进行模拟对抗训练的重要形式。介绍了雷达训练模拟器中虚拟靶标系统的仿真建模方法,重点对多目标智能化虚拟靶标的任务规划、电子对抗、战术动作等问题的仿真方法进行介绍,提出了虚拟靶标的简化模型,电子对抗及战术动作的作战决策模型。仿真效果逼真。     

冲天炉参数选择及热风形式

介绍了冲天炉应用中风口面积分配比、风口比、排距、风口个数等风口参数的设计与选取方法,同时介绍了密筋炉胆式、顶置式和侧外式热风冲天炉的特点。     

基于BERT-CNN的新闻文本分类的知识蒸馏方法研究

近年来，随着大数据时代进入人类的生活之后，人们的生活中出现很多无法识别的文本、语义等其他数据，这些数据的量十分庞大，语义也错综复杂，这使得分类任务更加困难。如何让计算机对这些信息进行准确的分类，已成为当前研究的重要任务。在此过程中，中文新闻文本分类成为这个领域的一个分支，这对国家舆论的控制、用户日常行为了解、用户未来言行的预判都有着至关重要的作用。针对新闻文本分类模型参数量多和训练时间过长的不足，在最大限度保留模型性能的情况下压缩训练时间，力求二者折中，故提出基于BERT-CNN的知识蒸馏。根据模型压缩的技术特点，将BERT作为教师模型，CNN作为学生模型，先将BERT进行预训练后再让学生模型泛化教师模型的能力。实验结果表明，在模型性能损失约2.09%的情况下，模型参数量压缩约为原来的1/82，且时间缩短约为原来的1/670。