基于Python 的等离子体平衡重建程序设计及实现

基于Python环境,设计和编写了等离子体平衡重建算法(Py-EFIT)。利用NumPy和SciPy库求解平衡重建算法中矩阵的运算问题,运用Matplotlib库实现重建算法计算结果的可视化,基于交互式可视化设计包QT Designer,使用PyQt库设计并实现该程序的用户界面。Py-EFIT的测试结果显示等离子体平衡重建过程操作更加简单、直观,为托卡马克实验数据分析提供了一种有效的工具。

基于SSA-LSTM模型的日水位预测——以涡河流域涡阳闸为例

水位的准确预测可以指导城市的防洪减灾举措及水利工程建设,提升城市洪涝灾害应急响应速度.基于数据驱动的水位预测模型,尤其是LSTM模型,在模拟自然界中水文要素的强非线性关系时展现出优势从而得到广泛应用.然而,自然界中水文数据的采集往往伴随着噪声以及人为干扰因素,这些问题影响了模型的预测性能.针对这一问题,本文开发了一种新的组合模型,即SSA-LSTM模型.该模型首先利用SSA方法将观测到的时间序列分解为周期、趋势和噪声分量,接着利用LSTM对SSA方法去噪后的序列进行模型训练并得到最终预测结果.本文选取涡河流域涡阳闸1971年5月至2020年12月的闸上水位为数据集,1)利用奇异谱分析方法将原始水位时序数据分解为多个趋势和噪声分量(RC_(1)–RC_(12)),选取分量(RC_(1)–RC_(10))为趋势项并重构为新的水位时序信号;2)利用LSTM模型对重构的信号进行了训练和验证,并将预测结果与LSTM模型的结果进行了对比;3)为得到最优的SSA-LSTM模型,针对不同的时间步长(7、14、21、28、35天)开展了单步预测性能评估实验,实验结果表明,在不同的时间步长下,SSA-LSTM水位预测模型的决定系数R^(2)、均方根误差RMSE、平均绝对误差百分比MAPE均优于LSTM模型.由此可见,采用SSA方法对涡阳闸水位的预处理可有效提高LSTM的预测效果,相比于传统LSTM模型,SSA-LSTM模型具有高可靠和低误差的特点,在水位预测应用中更具适应性,可以为城市防洪、灌溉、供水等水利措施的合理调度提供更优的决策依据.

面向本科阶段的自然语言处理入门课程教学探讨

自然语言处理是数据科学与大数据技术、智能科学与技术等新工科专业的一门重要专业课。课程融合了语言学、统计学和机器学习等交叉学科,在综合性、理论性和实践性方面具有一定挑战。当前人工智能领域强大的人才需求推动了许多高校在本科阶段开设自然语言处理入门课程。该文探索了兼顾理论和实践的自然语言处理入门课程教学模式:(1)结合课程的主要理论知识,以课堂授课形式引领学生快速进入该领域;(2)结合自然语言处理领域热门项目,以翻转课堂形式督促学生主动实践,内化理论知识,培养实战经验,提升学习效果。