关于论文中的图

1.图要精选,应具有自明性,切忌与表及文字表述重复。2.图要精心设计和绘制,要大小适中,线条均匀,主辅线分明。3.坐标图标目中的量和单位符号应齐全,并分别置于纵、横坐标轴的外侧。4.图中的术语、符号、单位等应与表格及文字表述所用的一致。     

基于VMD和BSA-KELM的高陡边坡位移预测模型研究

边坡位移的时间序列曲线存在复杂的非线性特性,传统的预测模型精度不足以满足预测要求。为此提出了基于变分模态分解的鸟群优化-核极限学习机的预测模型,并用于河北省某水泥厂的边坡位移预测。该方法首先采用VMD把边坡位移序列分解为一系列的有限带宽的子序列,再对各子序列分别采用相空间重构并用核极限学习机预测,采用鸟群算法优化相空间重构的嵌入维度和KELM中惩罚系数和核参数三个数值,以取得最优预测模型。最后将各个子序列预测值叠加,得到边坡位移的最终预测值。结果表明：和KELM、BSA-KELM、EEMD-BSA-KELM模型相比,基于VMD的BSA-KELM预测精度更高,为边坡位移的预测提供一种有效的方法。     

星毛冠盖藤乙酸乙酯部位抗三阴乳腺癌的研究

研究星毛冠盖藤乙酸乙酯部位(PTE)对三阴乳腺癌细胞增殖和凋亡的影响。以MDA-MB-231细胞为研究对象,不同剂量PTE处理,MTT、台盼蓝、TUNEL法分别检测细胞的增殖、凋亡情况,Western blot检测Caspase-3的表达情况。结果显示,PTE对MDA-MB-231的增殖具有剂量依赖的抑制作用;500μg/mL的PTE处理48 h后,PTE组细胞死亡率明显增高;TUNEL染色检测到明亮的绿色荧光颗粒;Western blot检测到明显的Caspase-3激活。由此可见,PTE对MDA-MB-231细胞具有明显抑增殖、促凋亡的作用,其分子机制与Caspase-3的激活有关。     

海上井喷抢险“三分支”引火筒结构设计

针对目前海上生产平台出现的井喷失控事故, 设计了“三分支”引火筒装置。在从源头控制井喷抢险作业时能够借助“烟囱效应”将流体/火焰引至上方，降低井口区温度，提高井喷抢险作业的安全性。“三分支”引火筒装置主要由引火筒、悬挂筒、主轴及悬挂装置、锁定及支撑装置组成。作业时可根据井口分布调整3个引火筒之间的角度和高度，配合钢丝绳和绞车进行井喷抢险作业。对各部分结构进行了阐述并且对结构强度及恶劣工况下的吊装进行了有限元分析。分析结果表明:装置强度满足要求；在200×104 m3/d气井井喷环境下最大等效应力为492 MPa，最大偏移量为348.02 mm，在6级风环境下最大等效应力为495 MPa，最大偏移量为353.12 mm，均满足抢险作业需求。研究结果可为生产平台井喷抢险引火筒研发提供参考。     

基于改进SOA-VMD的磁声发射信号去噪算法

磁声发射（MAE）是铁磁性材料磁化过程中产生的声发射信号，在构件应力检测和微观损伤检测中有着广泛的应用。针对MAE信号非稳态、复杂性、衰减性等特点，提出海鸥算法结合变分模态分解（SOA-VMD）的去噪方法，为克服海鸥算法求解过程中易陷入局部最优解问题，利用柯西变异算子产生随机迭代过程，使改进算法即柯西变异海欧算法（CVSOA）跳出早熟收敛。采用以幅值谱熵为适应度函数，优化VMD算法中分解模态个数K和二次惩戒因子α两个参数，将含噪声的MAE信号进行VMD分解重构。经仿真信号和实际检测信号分析表明，改进后的CVSOA-VMD算法全局寻优能力和去噪性能优于传统的SOA-VMD算法，降噪后的MAE信号特征值对于不同应力下均方根、偏斜度特征值的重复性更好，可靠性更高。     

基于图神经网络的网络性能智能预测

传统网络性能预测技术存在网络状态获取不够全面及网络性能评估准确性欠佳等问题，利用图神经网络学习推理网络关系数据的特点，结合捕获的网络全局信息，提出了一种基于图神经网络的网络性能智能预测方法。通过网络系统抽象及网络性能建模，将复杂的网络信息转化为形式化的图数据进行描述，利用图空域卷积处理图网络节点的消息传递过程，实现网络信息之间的关系推理，研究了实现网络性能预测的图神经网络模型，提出了一种能处理流量矩阵、网络拓扑、路由策略、节点配置的图神经网络体系结构，最后通过实验论证了模型能更好地实现包括时延、抖动和丢包率的网络性能的准确预测。     

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。