ep散射中极小x区域的量子饱和现象

利用建立在超杨-米尔斯理论基础上的胶子量子态饱和模型及Peterson璨夸克碎裂函数,在色玻璃凝聚理论框架下研究了ep（electron proton）深度非弹性散射中的D-介子产生。计算发现：在LHeC（Large Hadron-electronCollider）能量下,小Q2区域会出现极小Bjorken-x区域的璨介子产生截面不依赖于x变化的现象。就LHeC能量下D-介子产生截面随横向动量变化的实验现象给出了理论预言,理论结果将被即将运行的LHeC实验检验。     

专家系统与测试技术相结合的诊断维护系统

本文介绍的诊断维护系统ＩＴＭＤＭＳ将专家系统技术与传统的测试知识相结合。该系统包括两类知识：浅层知识和深层知识,知识用一阶谓词表示。推理过程分三步完成：（１）浅层推理;（２）深层推理;（３）浅层推理。知识维护手段使系统的知识在使用中不断完善。该系统的框架可适用于任意复杂的数字系统的诊断维护。     

模拟海深条件下提升阀流动特性的实验研究

水压传动技术应用于深海环境可以直接从海洋中吸水加压,高压水作功之后可以直接排入海洋,不需要水箱和回水管道,大大简化了系统,具有独特的优势。然而,在深海作业时,液压元件的工况同陆地相比有较大的差异,海深压力相当于在元件出口加了一个背压。文中用背压来模拟海水压力,对以水作介质时背压对提升阀口流量特性的影响进行了实验研究。研究结果表明,背压使得流量饱和更容易发生;有背压时的流量系数比没有背压时的流量系数大;当阀芯和阀座有叠合时,背压对阀口流量特性的影响比阀芯和阀座没有叠合时的影响大。     

爆扩桩抗拔承载力计算公式研究

目前关于扩底桩尤其是爆扩桩抗拔力计算公式很少。在有限的扩底桩计算公式中,普遍存在着对爆扩桩的承载机理不清楚,对扩大头作用的体现机理表达不准确等问题。首先介绍一些典型的抗拔计算公式,选出有代表性的且适用于爆扩桩的抗拔计算公式, 然后根据工程试桩的计算结果,结合理论分析对公式的合理性进行探讨,最后根据爆扩桩的抗拔机理和试验分析给出易于运用的软土中大直径爆扩桩的抗拔承载力计算公式,并给出相应的构造要求。     

深度神经网络指导下的无线覆盖预测算法

为保证新一代移动无线网络能够根据实时覆盖情况动态地调节小区天线参数,需要实现高效且准确的无线覆盖预测。传统的求解方法通过精确的场强预测判断天线参数的优劣,虽然精度很高但需要大量的计算资源,无法满足5G和后5G移动网络通过实时覆盖预测进行射频参数动态调整的实际需求。现采用基于深度神经网络的算法对给定天线参数的覆盖效果进行预测,以取代对目标区域的精确场强预测。数值结果表明:该方法能够在保持计算准确性的同时显著减少计算量,为5G动态网络规划提供基础性参考数据。     

深度置信网络在导弹攻击区分类中的应用

针对传统导弹攻击区解算方法忽略双方态势变化等问题,提出运用深度置信网络的导弹攻击区分类模型。根据导弹命中情况与目标机动间的关系,将导弹攻击区划分为五类。通过分析影响导弹攻击结果的态势参数,构建导弹攻击结果预测模型。在实验部分,结合重构误差和测试错误率确定深度置信网络的网络结构,通过逐层提取数据法分析模型参数特征并且讨论微调数据的采样方式。使用反向传播神经网络和支持向量机进行分类有效性对比实验。实验结果表明：深度置信网络运行速度和预测准确度明显优于其他两种方法,满足实时性和准确性要求,所提方法具有良好的应用价值。     

面向射频指纹识别的高效IQ卷积网络结构

现有应用于射频指纹识别的卷积网络对时序同相正交(in-phase and quadrature-phase, IQ)信号的处理都是将其简单视为图像进行的,存在识别准确率低和计算量大的问题。针对以上问题,提出了一种基于IQ相关特征的卷积神经网络结构。该网络分步提取了IQ相关特征及时域特征,通过自适应平均池化获得了各通道特征均值,并用单个全连接层进行分类。实验结果表明,较传统卷积网络结构,所提网络在多种场景下的识别准确率更高,并且计算量更小。     

细致的描写 深刻的思想──“The Sampler”浅析

大学英语第一册里的“Ｔｈｅ Ｓａｍｐｌｅｒ”是一篇不可多得的佳作。它不仅胜在细致、准确、到位的描写,而且胜在其深刻的思想性。本文拟从语言因素分析其文体色彩,通过其揭示的社会问题即西方社会老年人的境遇来探讨其思想性。     

异步非平稳干扰抑制方法

为解决单通道条件下异步非平稳干扰抑制问题,提出基于数据驱动的稀疏分量分析干扰抑制方法,旨在从接收到的混叠信号中恢复期望信号。该方法利用深度卷积神经网络对输入/输出端数据间的复杂映射关系的强大建模能力,实现了目标信号稀疏域的自适应选择、稀疏域中目标信号稀疏表示的自适应学习以及目标信号的自动恢复。与以往干扰抑制算法不同,所提方法在时域上完成了“端到端”的信号波形恢复,且对混叠观测无先验要求,相比现有方法更具普适性。仿真实验验证了所提干扰抑制方法在不同环境噪声和干扰信号强度及泛化测试条件下的有效性,对干扰的抑制性能显著优于现有算法。     

融合图嵌入的光滑主成分分析网络图像识别算法

主成分分析网络(principal component analysis network, PCANet)是一种简单的深度学习算法,在图像识别领域具有优秀的性能。将图嵌入思想融入PCANet,提出一种新的图像识别算法光滑主成分分析网络(Smooth-PCANet)。为了验证Smooth-PCANet算法的有效性,在人脸、手写体字符以及图片等不同数据集上构建实验,并将Smooth-PCANet与多种基于深度学习的图像识别算法作了对比。实验结果证明,Smooth-PCANet算法比PCANet获得了更高的识别性能,并且更有效地避免了过拟合,在小样本训练时具有显著优势。