煤炭企业信息化建设的思路和实践

论述了煤炭企业信息化的背景及发展趋势，并针对煤炭企业信息化建设进行了深入细致的研究和方案设计.涉及的项目包括河北省井陉矿务局的硬件网络建设和软件系统开发.在硬件网络建设中，主要为该企业建立了一条高速的、覆盖主要部门的网络系统.软件系统部分采用J2EE架构，利用EAI（Enterprise Application Integration）技术构建了一个企业综合应用平台，该平台集成了目前该企业主要的应用系统，并且具有良好的扩展性.     

浓缩风能型风力发电机三与四叶片叶轮的风洞实验研究

浓缩风能型风力发电机的理论核心是将稀薄的风能浓缩后利用，有效地改善风能密度低和稳定性差等弱点。其叶轮的工作流场与自然风场不同，具有特殊性。通过设计制造了6种不同翼型三叶片、四叶片等截面和变截面叶轮，在风洞中进行实验，获取了叶轮功率输出特性，发现了等截面和变截面叶轮的不同特性，为推动浓缩风能型风力发电机叶轮的实验研究和理论设计提供了依据。     

基于用户组和客体抽象的权限控制模型

提出一种基于用户组和客体抽象(UGOA)的权限控制模型.该模型在权限管理以及实现系统安全的策略中,通过对主体和客体同时进行抽象,引入了用户组、客体型、客体域的概念,并提出了基于UGOA的访问控制模型的八元组形式定义,通过对功能点实现细粒度的权限定义和功能权限管理,降低管理了复杂度,对传统的基于角色的访问控制模型(RBAC)进行了有效扩展.该模型已在中国地质大学(北京)软件学院在线教学系统开发中得到验证.实际证明,模型简单实用,安全稳定,具有更强的通用性和表现现实世界的能力.     

基于口罩评论数据的用户情感趋势与关注分析

为了对疫情期间口罩的用户评论数据进行情感关注分析, 本文用谷歌浏览器的插件Web Scraper爬取了2020年3月1日到4月11日中淘宝网的口罩的共计143 330条用户购买评论数据. 为了提高情感预测的精度, 在此数据集上经过人工标注情感为积极和消极的共计14 400条数据后, 用SnowNLP情感分析模型进行了训练, 最后用训练后的语料库进行了情感预测. 从整体上可见用户评论的情感是积极的. 在用户评论的每日情感变化趋势上, 本土新增病例(不含海外输入)的趋势在一定程度上影响着用户每日情感趋势的整体变化, 而国内新增病例(含海外输入)的局部波动变化趋势也影响着每日情感局部的相应波动变化趋势. 在对预测后的评论进行分类后, 发现用户的积极评论中对口罩的关注主要集中在口罩的质量、包装、价格、厚实, 而在消极的评论中对口罩的关注主要集中在质量、包装、味道和是否为医用.     

浓缩风能型风力发电机迎风及限速自动控制系统

浓缩风能型风力发动机具有起动风速低、发电时间长、风能利用率高等优点，该文针对其特有的形体流场设计了一套以可编程控制器IP1612为主控单元的自动迎风及限速控制系统，并通过大量实验证明了此系统能够实现运转平稳，自动切入，准确对风等功能，并且高效节能。     

聚能型风力发电机的研究

聚能型风力发电机是使自然风通过增速聚能装置把稀薄的不稳定的风能浓缩和均匀化之后利用的一种发电装置．风洞实验表明叶轮前方风的流速可达到自然风流速的-2．16倍，从而使发电机输出功率增大为相同叶轮的普通型风力发电利的5．08倍，并且起动风速低，提高了风能年利用率．因此风力发电成本降低．     

基于普适计算的工程协同设计系统模型

论述了建筑工程协同设计系统的建模特点,在已提出并实现了基于网络的协同设计系统的工作基础上,进一步提出了物理协同的概念,对所设计的理想“协同设计院”模型做了说明,给出了信息交流和数据交流的解决方案,并论述了实现“协同设计院”的开发中应遵循的原则。最后介绍了原型系统的研制情况,实验证明了该理论模型的可行性和广阔发展前景。     

“理论—科研—实践”交叉反馈式智能计算课程教学

以研究生智能计算课程为例,提出理论、科研与实践3个教学模块间交叉反馈式的教学方法,并从教学难点、教学内容、教学模式、教材建设与教学效果评价方法等方面探讨课程建设,重点探讨教学模块间的交叉反馈机制,从而培养全面发展的人工智能领域人才。     

基于红外图像检测和改进YOLOv4的高压套管故障识别方法

红外检测是高压外绝缘设备状态在线检测的主要方法之一，为了提高高压套管发热故障红外图像检测的准确率，解决因故障样本较少引起的漏检问题，文中提出了一种基于改进型YOLOv4的故障识别方法，可实现对套管发热区域的高效定位与识别，具有很好的工程应用前景。对YOLOv4算法进行的改进主要包括：首先，将通道注意力机制SE(Squeeze and Excitation)模块插入特征提取网络中的残差模块中，以加强网络对特征信息的提取；其次，分别使用EIoU Loss和Focal Loss取代原模型的边界框回归损失与置信度损失，以提高损失函数的回归精度以及对数据集中困难样本的识别准确率，从而有效减少漏检发生的概率。实验与测试结果表明，所提方法与改进前相比平均精度提高了5.61%，对数据集中更难被识别的故障样本的精确度提升了8.57%。