伊河“11·9”洪水特性分析

我国华西地区受冷暖空气共同作用影响,2011年9月黄河中游连续出现了大面积降水过程,其降水强度大、范围广、时间长,雨带长时间滞留于河南伊河地区,形成伊河流域伏秋汛情,伊河上水文站包括:龙门镇站、陆浑站、下河村站、东湾站、潭头站和栾川站。此次洪水特性显著,以下简称伊河"11.9"洪水。通过总结伊河洪水的形成过程,可以更好的了解伊河洪水形成的原因及洪水特性,为黄河下游防汛、保护下游人民的生命财产具有重要意义。     

同质异构交联法对再生聚乙烯的改性研究

通过硅烷交联法制备了交联聚乙烯（PE）,并将其加入到水选废旧塑料薄膜再生PE颗粒中进行改性研究。通过扫描电子显微镜（SEM）对再生料冲击样条的断口进行观察,研究了交联料用量对再生PE的力学性能和加工流动性的影响;用差示扫描量热法（DSC）和X射线衍射法(XRD)研究了当交联料添加量为15份时,再生料结晶性能与交联度的关系。结果表明,添加了交联料的再生料的聚集态结构发生了变化,形成了“同质异构分散结构”,该结构会使再生料的拉伸强度和冲击强度大幅提升,而断裂伸长率和熔体流动速率则有一定程度的下降;当交联料的添加量为15份时,材料具有最佳的综合性能,且当添加量为15份、交联度为33.5 %时,再生料的结晶性能最好。     

基于Storm的流数据KNN分类算法的研究与实现

KNN算法是一种简单、有效且易于实现的分类算法,可用于类域较大的分类。近年来对KNN算法的研究偏向于静态大数据集,不过,在越来越多的情况下要用KNN算法在线实时处理流数据。考虑到流式数据流量大,连续且快速,不易存储和恢复等特性,以及流处理系统Storm对流数据处理具有实时性、可靠性的特点,提出了基于Storm的流数据KNN分类算法,该算法首先对整个样本集进行划分,形成多个片集,然后计算出待分类向量在各片集上的[K]近邻,最后再将所有片集[K]近邻归约得出整体[K]近邻,实现待分类向量的分类。实验结果表明,基于Storm的流数据KNN分类算法能够满足大数据背景下对流数据分类的高吞吐量、可扩展性、实时性和准确性的要求。     

几类典型网格下三维弹性问题的代数多层网格法

有限元方法是数值求解三维弹性问题的一类重要的离散化方法.在有限元分析中,网格的几何形状及网格质量会对有限元离散代数系统的求解产生很大影响.该文系统研究了几类典型网格对几种常用AMG法计算效率的影响,并进行了详细的性能测试与比较.利用容易获知的部分几何与分析信息(如方程类型,节点自由度信息),再结合经典AMG法中的网格粗...     

基于OpenCL的并行kNN算法设计与实现

kNN算法是机器学习和数据挖掘程序中经常使用的经典算法。随着数据量的增大,kNN算法的执行时间急剧上升。为了有效利用现代计算机的GPU等计算单元减少kNN算法的计算时间,提出了一种基于OpenCL的并行kNN算法,该算法对距离计算和排序两个瓶颈点进行并行化,在距离计算阶段使用细粒度并行化策略和优化的线程模型,排序阶段使用优化内存模型的双调排序。以UCI数据集letter为测试集,分别使用E8400和GTS450运行kNN算法进行测试,采用GPU加速的并行kNN算法的计算速度比CPU版提高了40.79倍。     

锚注技术在丁集煤矿的应用

以丁集矿集中运输大巷变形区域修复为例,从提高围岩整体结构强度的角度出发,提出了在原支护条件下对被保护巷道进行注浆加固的方案。对锚注工艺的流程、材料设备、施工措施作了详尽的论述,并用数值模拟软件UDEC模拟分析注浆技术的关键因数。研究水泥浆液比例与注浆压力对浆液扩散范围的影响。     

大数据实时计算平台技术综述

随着互联网和互联网技术的快速发展,每天产生的数据正以指数级的速度增长,对这些大量数据的处理与分析具有巨大的应用价值。以Hadoop为代表的大数据技术的出现,可以很好的解决大量静态数据集的数据处理与分析,但是很多数据都是实时产生的,人们希望可以实时的处理这些数据,这就需要流计算处理技术来实时处理这些数据,及时产出应用价值。     

谛听: 面向鲁棒分布外样本检测的半监督对抗训练方法

检测训练集分布之外的分布外(out-of-distribution, OOD)样本对于深度神经网络(deep neural network, DNN)分类器在开放环境的部署至关重要. 检测OOD样本可以视为一种二分类问题, 即把输入样本分类为“分布内(in-distribution, ID)”类或“分布外”类. 进一步地, 检测器自身还可能遭受到恶意的对抗攻击而被再次绕过. 这些带有恶意扰动的OOD样本称为对抗OOD样本. 构建鲁棒的OOD检测器以检测对抗OOD样本是一项更具挑战性的任务. 为习得可分离且对恶意扰动鲁棒的表示, 现有方法往往利用辅助的干净OOD样本邻域内的对抗OOD样本来训练DNN. 然而, 由于辅助的OOD训练集与原ID训练集的分布差异, 训练对抗OOD样本无法足够有效地使分布内决策边界对对抗扰动真正鲁棒. 从ID样本的邻域内生成的对抗ID样本拥有与原ID样本近乎一样的语义信息, 是一种离分布内区域更近的OOD样本, 对提升分布内边界对对抗扰动的鲁棒性很有效. 基于此, 提出一种半监督的对抗训练方法——谛听, 来构建鲁棒的OOD检测器, 用以同时检测干净OOD样本和对抗OOD样本. 谛听将对抗ID样本视为一种辅助的“近OOD”样本, 并将其与其他辅助的干净OOD样本和对抗OOD样本联合训练DNN, 以提升OOD检测的鲁棒性. 实验结果表明, 谛听在检测由强攻击生成的对抗OOD样本上具有显著的优势, 同时在原分类主任务及检测干净OOD样本上保持先进的性能.