一种灰色关联分析优化ICEEMDAN的VP倾斜仪信号降噪模型

VP倾斜仪固体潮信号受仪器监测复杂环境限制,多含有大量环境噪声。为获得真实固体潮曲线,提出一种基于灰色关联分析优化改进的自适应噪声完备集合经验模态分解(ICEEMDAN)VP倾斜仪信号降噪模型(GRA-ICEEMDAN)。该方法首先将含噪信号进行ICCEMDAN处理,得到若干个固有模态函数(IMF),并依次排列与标记;然后基于这些IMF分别计算相关系数、互信息、R^(2)、Adj-R^(2)、MSE、SSE、RMSE、MAE、MAPE、样本熵等10个评价指标值,构建IMF可信度评价指标矩阵;最后借助灰色关联分析(GRA)计算各评价指标与不同IMF之间的关联系数和关联度,依据关联度大小对各个IMF进行排序,将排名靠前的IMF进行线性重构,即可完成信号降噪。仿真去噪实验和实测去噪实验均表明,GRA-ICEEMDAN模型优于卡尔曼滤波、70阶低通FIR滤波、Savitzky-Golay等经典降噪模型,能显著区分噪声成分和有效成分,原始信号分解后的重构误差与信号损失极小,可推广至其他仪器的复杂信号降噪中。

基于多层全连接神经网络的6C地震波极化向量识别研究

利用机器学习原理,提出一种基于多层全连接(multi-layer fully connected, MFC)神经网络的六分量(six-component, 6C)地震波极化向量识别方法。首先利用6C地震波各波型极化向量数学模型和一系列仿真参数得到5种波型和噪声波型各5 000个极化向量数据集,然后随机选取其中5 000个作为测试集,其余划分为训练集,进行MFC神经网络与支持向量机(support vector machine, SVM)的综合辨识性能对比实验。结果表明,MFC神经网络模型识别5种极化向量类型(SH波和Love波视为一类)和6种极化向量类型的效果均显著优于SVM模型,平均识别率分别达到99.786%和87.940%。

下调Socs3表达增加肾癌细胞对干扰素α敏感性的实验研究

目的探索抑制细胞因子信号转导SOCS蛋白是否可以降低肾细胞癌的IFN抗性及可能机制。方法培养人肾癌ACHN细胞并转染SOCS3 siRNA,采用实时荧光定量PCR(qPCR)和Western blotting检测SOCS家族的mRNA、蛋白表达;采用MTT法检测细胞增殖活性;建立小鼠肾癌肺转移模型,记录小鼠的生存情况。结果与对照组比较,IFN-α处理组SOCS3 mRNA表达显著增加(4.96±0.21 vs.103.22±0.24,P<0.001)。MTT法结果显示,与阴性对照组(转染NC-siRNA)比较,5.0、12.5、25.0、50 nmol/L SOCS3 siRNA可显著降低IFN-α处理组ACHN细胞增殖率(P<0.05)。Western blotting结果显示,与阴性对照组比较,SOCS3 siRNA组中p-STAT1及p-STAT3表达明显升高(p-STAT1:1.87±0.07 vs.1.02±0.01,P<0.001;p-STAT3:1.35±0.24 vs.1.12±0.03,P<0.05)。敲低SOCS3表达可增强IFN-α治疗肾癌肺转移小鼠的生存。结论下调SOCS3表达增强了STAT1激活和IFN-α的体外和体内抗肿瘤活性。基于SOCS3在介导对IFN-α免疫疗法的耐药性中发挥的作用,使用靶向SOCS3的siRNA和IFN-α的联合疗法可能是治疗肾癌及肾癌肺转移癌的有吸引力的候选药物。

一种GOA优化SOM神经网络的VP型倾斜仪故障智能诊断方法

提出一种VP型倾斜仪故障智能诊断方法。利用经验模态分解(EMD)将归一化故障信号分解为6个本征模态函数(IMF),分别计算其近似熵,构建EMD多尺度近似熵输入矩阵;结合蝗虫优化算法(GOA)对自组织特征映射(SOM)神经网络的参数进行优化,将得到的GOA最优值嵌入到SOM模型中,组建GOA-SOM诊断模型。应用诊断测试集得到诊断目标的聚类标签值,将其与训练集的聚类标签以及真实故障类型进行比对,得到故障诊断结果。结果证明,GOA-SOM模型在100次随机抽样条件下的诊断正确率均值和标准差分别为99.329 7%、1.218 8,优于传统诊断模型。

利用新型群体智能优化算法研究微震震源定位

引入并介绍6种新型群体智能优化算法(灰狼算法、鲸鱼优化算法、蝗虫优化算法、麻雀搜索算法、蚁狮算法、蜻蜓算法)的仿生原理、核心计算公式及优化特性,在经典到时差模型基础上设计一种新型微震震源反演数学模型,利用仿真的矿山微震震源正反演数据对比分析6种方法的性能差异。结合实际矿山人工爆破数据,通过6个统计指标从精度、收敛速度、稳定性等多个角度测试这6种新型群体智能优化算法在微震震源定位中的有效性和可靠程度。

无需测速的微震源反演数学模型研究

微震源反演数学模型、反演算法等对象是微震源定位误差的重要来源。针对P波速度易衰减、首波到时数据拾取误差较大的情况,基于到时差模型(ATD)和P波到时方程组,建立到时差比值法反演数学模型(ATDRM),从目标函数中消除了P波速度和发震时刻等参数;同时,引入范数概念,得到改进的L1、L2、L3、L4范数模型,设计一系列反演模型对比实验和反演算法对比实验综合分析研究这些模型的优越性。工程数据显示:ATDRM模型的定位效果整体比经典ATD模型更好,ATDRM-L1模型震源误差可减少13.437 0 m;反演模型的定位误差受反演算法影响较大,单形替换法相比遗传算法(GA)、非线性最小二乘法(NLSM)、模拟退火算法(SA)等方法定位精度更高,稳定性更好;在应用单形替换法求解模型时,反演误差会随着范数参数N的增加(L1→L4)呈现先下降再上升的现象;ATDRM模型及其范式形式对提高微震源定位精度有一定价值。

VP型宽频带倾斜仪故障信号的BBA-SOM智能诊断

针对现有VP型倾斜仪故障诊断主要依靠人工经验和诊断流程较为复杂的问题,提出以互补集合经验模态分解(complete ensemble empirical mode decomposition,CEEMD)多尺度近似熵和二进制蝙蝠算法(binary bat algorithm,BBA)优化SOM神经网络参数的VP型倾斜仪故障诊断新方。首先,将归一化后的仪器故障信号进行CEEMD分解,对6阶本征模态函数(intrinsic mode function,IMF)求取多尺度近似熵值;然后将网络输入法按比例分为训练集和测试集,以训练集的识别率为适应度函数,应用二进制蝙蝠算法(binary bat algorithm,BBA)优化SOM神经网络的竞争层维数和网络训练次数;最后应用上述得到的BBA-SOM网络模型对倾斜仪故障特征数据进行辨识。实验表明:CEEMD多尺度近似熵判据对倾斜仪故障特征的区分效果符合预期;相对于朴素贝叶斯、AdaBoost集成学习与LDA等学习模型,BBA-SOM模型可以准确进行故障诊断;该方法对实现VP型倾斜仪故障的自动诊断有重要现实意义。

地面气象观测对农作物生产的影响

随着全球气候变化和农业生产模式的转型,地面气象观测在农业生产中的重要性日益凸显。气象条件是影响农作物生长发育、产量和品质的关键因素,而准确的气象观测数据能够为农业生产提供科学的决策支持,帮助农民有效应对各种气候挑战,优化农业生产管理,从而提高农作物的产量和品质。本文旨在深入探讨地面气象观测对农作物生长发育、产量和品质的具体影响,并分析其在农业生产中的广泛应用,包括农业气象预报、农业气象灾害预警、农业气象服务、农作物病虫害防治、精准农业实施以及农业科研支持等多个方面。通过系统阐述地面气象观测在农业生产中的不可或缺的作用,期望能够提升农业生产的科学性和效率,为农业的可持续发展贡献力量。

面向球墨铸铁基牵引电机机座的激光熔覆工艺研究

旨在研究牵引电机机座的等性能再制造技术,以降低牵引电机全寿命周期成本。面向球墨铸铁基牵引电机机座采用激光熔覆技术制备熔覆层,以熔覆层质量、力学性能为衡量标准进行熔覆粉末选型、熔覆工艺参数优化,研究了熔覆粉末、激光功率、扫描速度、送粉速率对熔覆层性能的影响,制备出表面形貌无缺陷、性能优于本体的熔覆层。结果表明:镍基2号粉末采用1.2 kW激光功率、6 mm/s扫描速度、18 g/min送粉速率或1.5 kW激光功率、8 mm/s扫描速度、16 g/min送粉速率进行熔覆时,熔覆层表面无缺陷,修复部位的强度、韧性指标均优于球墨铸铁基体,有效避免了牵引电机机座装配加工面磨损后整体报废的经济损失。

牵引电机空载声品质预测模型研究

为建立一款牵引电机空载条件下的声品质预测模型,首先开展了电机空载时多个转速下不同位置处的噪声测试,获得了响度、尖锐度、粗糙度和抖动度等声品质客观参数,并分析了各声品质客观参数随转速的变化规律;然后采用等级评分法对40个声样本开展了主观评价,采用箱线图剔除异常数据,获得各个声样本主观评价平均分;最后分别采用多元线性回归法和代理模型法建立了电机声品质预测模型。后者相比前者预测精度更高,该方法和研究结果可以为后续电机声品质优化工作提供参考。

庞聪

别署朵云。一九九0年出生。二0二三毕业于川音成都美术学院，师从老圃先生。

全胃切除术后维生素D缺乏性骨软化症一例

全胃切除术导致维生素D缺乏性骨软化症临床少见,易被误诊、误治。本文报道1例65岁老年女性,以全身骨痛就诊。5年前因贲门癌行全胃切除术,术后长期腹泻。入院后完善实验室检查示低血钙、低血磷、维生素D缺乏、甲状旁腺激素升高、骨吸收及骨形成指标升高,同时合并代谢性酸中毒。尿电解质示低尿钙和低尿磷。影像学示肋骨及骨盆多处骨皮质不连续。经长期维生素D、钙剂等治疗,临床症状和实验室指标在治疗开始时恶化,但随访1年后明显改善。本文在复习相关文献的基础上,探讨胃切除术后骨软化症的发病机制与治疗方法,尤其是大剂量维生素D的用药经验。

基于多目标蚁狮优化算法的微震震源定位数学模型组合

通过多目标智能优化算法研究微震震源定位存在的模型组合合理性未阐明、易陷入局部最优解、定位结果波动性较大等问题。为解决这些问题,首先在到时差模型与到时差商模型基础上设计4个不同的微震震源定位数学模型,两两组合构建6个多目标优化定位模型;再设计3组基于不同台网形状(三维多面体、二维长方形、一维直线型)的微震震源正演仿真实验和1组工程数据验证实验,并引入多目标蚁狮优化(multi-objective ant lion optimization,MOALO)算法求解这些模型;最后采用多个统计指标评判各个模型组合定位效果的优劣。结果表明,数学模型组合(TDA-P1,TDQA)结合MOALO算法的多目标优化定位策略能够得到较高的微震震源定位精度,且模型稳健性较好,优于其他模型组合和传统多目标定位方法,在微震监测领域具有一定的应用价值。

基于热套装配过程及冷却方式的电机热应力分析

为分析电机在热套装配过程及不同冷却环境下的应力状态,建立了热-固耦合有限元模型,得到了冷却过程的瞬态温度场和瞬态应力分布,根据仿真结果,利用电阻应变计测量方法对机座加热、装配和冷却过程开展试验研究,得到了最终冷却状态的应力变化。试验结果表明,自然冷却和快速冷却环境下的机座应力状态处于合理水平,均匀冷却环境下的机座整体应力水平较低且离散度较小。同时通过仿真与试验结果的对比,验证了仿真结果的准确性,有效地为电机设计和工艺改进提供了依据。

神经网络参数对地震类型识别的影响

由于震源识别模型判据选取不当或关键参数设置不合理,现有地震辨识模型的性能受到一定制约。为了改善地震类型识别效果,优化反向传播(back propagation,BP)神经网络参数设置,提出了一种经验模态分解(empirical mode decomposition,EMD)多尺度近似熵(multi-scale approximate entropy)判据,并讨论训练函数、激活函数、隐藏层神经元数目与学习速率等网络参数对地震辨识的影响。首先,针对多组天然地震事件及人工爆破事件波形进行关键信息提取与归一化,利用EMD算法提取6个本征模态函数(intrinsic mode function,IMF)和1个剩余分量(residual),然后分别计算近似熵得到EMD多尺度近似熵向量;再次,设计一系列BP神经网络调参实验,研究BP神经网络参数对地震类型识别的影响。结果表明,训练函数、激活函数、隐藏层数目等参数对地震辨识产生了明显的影响,辨识效果较好的参数组合为:训练函数采用共轭梯度法,输出层激励函数为purelin函数,隐层激励函数为logsig函数,隐层节点数和学习率分别设置为10和0.01,此时的Accuracy、Speed、MSE分别为97.0897%、0.3059 s、0.0382。该研究弥补了神经网络调参和EMD多尺度近似熵判据在震源识别领域的空白,有助于提高与改善地震识别的准确率和稳定性。

基于最小二乘支持向量机与熵特征的地震事件性质辨识研究

为解决天然地震事件性质辨识依赖人工检测、自动化程度不高且误差较大的问题,利用机器学习中的最小二乘支持向量机(LSSVM)和信息论中的排列熵、近似熵及香农熵等特征参数,建立Entropy-LSSVM地震波形特征提取与事件性质辨识模型。基于2021年青海玛多M_(S)7.4地震、云南漾濞地震事件及人工爆破干扰事件等共计500条波形数据,设计多个不同训练比例与测试比例的随机抽取子实验,采用准确率、召回率、特效度、精确度、F-measure验证该模型的有效性。实验结果表明,熵特征对天然地震和非天然地震事件波形的区分效果明显,且结合熵特征的LS-SVM模型整体性能优于QDA、LDA、朴素贝叶斯、决策树、LogitBoost及RobustBoost等方法,训练集与测试集比例为3∶2的辨识准确率和召回率分别达到99.00%和96.97%,即使训练集只有50条的辨识准确率也可达98%以上,这对天然地震事件的有效甄别有一定参考价值。

基于MFCC样本熵和灰狼算法优化支持向量机的天然地震与人工爆破自动识别

针对天然地震与人工爆破波形特征相似、难以区分的情况,结合灰狼优化算法和支持向量机,提出一种地震事件性质辨识新方法。通过梅尔频率倒谱系数法对2013年四川芦山地震地震事件信号和人工爆破信号进行分析,进过预加重、FFT、梅尔滤波及离散余弦变换等步骤,提取静态系数样本熵、一阶差分系数样本熵和二阶差分系数样本熵等作为样本特征集。使用灰狼算法优化支持向量机径向基核函数RBF中的惩罚系数和核函数半径形成新的GWO-SVM分类器,然后对事件进行辨识。结果表明:GWO-SVM分类器辨识效果明显优于SVM、RobustBoost集成学习、LDA、PLDA等分类器,其在1000次循环识别实验下的准确率均值相对SVM提高了9.2个百分点,标准差降低了3.2以上;t检验证明MFCC样本熵各特征具有可靠的地震事件分类效果;GWO-SVM与MFCC样本熵可作为天然地震事件与人工爆破事件的辨识方法与分类判据。