结合结构学习的多头密集连接图池化模型

目的:利用图神经网络，构建带有结构学习的多头密集连接图池化模型并用于图分类任务。方法:首先，用图卷积神经网络提取节点的初始特征。其次，用多头密集连接网络学习节点重要性得分，并根据得分进行节点采样得到池化图。之后，对池化图中的节点进行结构学习，以保证图结构的完整性。最后，将学到的图表示放到分类器中，完成图分类任务。结果:与其他图分类模型在七个广泛使用的数据集上进行实验对比，我们构建的模型在五个数据集上的分类结果达到最优。结论:结合结构学习的多头密集连接图池化模型在图分类任务中具有先进性。     

基于正交试验的离心风机多因素优化设计研究

以某离心风机效率为优化目标,选定离心风机的4个关键参数:转速、叶轮直径、出口安装角、叶轮出口宽度,基于正交试验设计法,通过CFD数值仿真计算以及对计算结果的极差法分析,得出叶轮几何参数及转速的相对最优组合模型。组合模型计算结果表明,优化后风机达到设计要求。同时,优化组合模型风机静压效率可提高4.49%,全压效率提高6.94%。该研究方法适用于具有目标明确的风机改进设计,可快速精准获得优选方案。     

仿电镀银粉末涂料的制备

采用聚酯/HAA固化体系,加入超细铝粉利用邦定工艺得到仿电镀粉末涂料。通过多指标正交实验分析对铝粉的种类、铝粉定向排列剂的用量、邦定转速、邦定时间4个因素的优化,得到最优的仿电镀银粉末涂料制备方案。     

基于Deform-3D和正交实验法的2A12铝合金等通道转角挤压工艺优化

在Deform-3D有限元数值模拟过程中应用正交实验设计方法,对2A12铝合金等通道转角挤压工艺进行优化设计,并系统分析不同工艺参数对挤压力和等效应变的影响规律。结果表明:摩擦系数与挤压角度对挤压力的影响较大;挤压角度和挤压速度对等效应变有较大影响。     

GOS+MU:一种查询对象选择新方法

在分析单一MU(Most Uncertainty)采样缺陷的基础上,提出一种"全局最优搜寻"方法 GOS(Global Optimal Search),并结合MU共同完成查询选择。GOS+MU方法中,GOS着眼全局寻找目标,在应用环境能提供的训练样本数量有限、分类器受训不充分时,该方法选择的对象学习价值高,能快速推进分类器学习进程;MU则能够在GOS采样失效情形下,利用分类器当前训练成果,选择查询不确定性最强的样本补充训练集。通过对网络商品的用户评论进行分类仿真,并比较其他采样学习方法的效果,证明了GOS+MU方法在压缩学习成本、提高训练效率方面的有效性。     

采用八叉树和OSG分页结点的海量点云三维可视化

针对现有海量点云可视化方法存在索引构建时间长、内存占用大等问题，研究一种八叉树索引结合OSG分页结点的快速可视化方法，可在占用较小内存的基础上快速建立点云索引并实时调度。采用八叉树索引结构对海量点云进行数据组织，建立各层级的八叉树结点并以文件映射的方式分块保存，对结点文件重组织转换为支持OSG渲染引擎的多分辨率点云数据。采用基于OSG分页结点的实时调度技术，对海量点云进行高质量可视化。与目前两款主流的点云数据处理商业软件进行实验对比分析，结果表明所提方法具有索引建立速度快、内存占用小等优点，同时可视化交互更加流畅，适用于各种配置计算机下海量点云数据的调度管理与实时可视化。