改造国产ZSL_(13)型筛提高筛选能力

国产ZSL_(13)型立式离心筛是一种单鼓外流式的压力筛.由于其叶片断面类似机翼,所以国内过去都称之为旋翼筛.目前国内多用于造纸前的浆料精选.

ZSL型内流压力筛及其应用

一、前言压力筛又称旋翼筛,自从五十年代美国首次推出单鼓外流式压力筛以来,就因其筛鼓自清洗机理新颖、较省能源、操作方便等特点为造纸界所瞩目,吸引了许多厂商不断地竞相研究。经过多年的开发与发展。

ZSL25型2m^2内流压力筛的研制

压力筛又称旋翼筛。自从五十年代美国首次推出单鼓外流式压力筛以来,因其具有筛鼓自清洗、机理新颖较省能源、操作方便等特点,为造纸界所瞩目,吸引许多厂商不断地竞相研究。经过多年来的开发与发展,压力筛的结构日臻完善,而且随着筛鼓制造技术的进步,工艺性能也有显著的提高。现在压力筛已成为世界上最流行的筛选设备之一。

ZSL型离心筛转子的修复

ＺＳＬ型离心筛转子的修复崔成乐（河北省石家庄市第二造纸厂０５００２１）关键词离心筛空心主轴喷焊修复我厂主要用ＺＳＬ型离心筛浆机来筛选处理废纸浆，良浆作为牛皮箱纸板的芯浆或底浆，正常使用的离心筛有４台。由于受生产工艺及工作环境的限制，长时间连续运行极易...

IDT ZSLS7031隔离和非隔离反激LED驱动方案

ZSLS7031是初级侧控制的峰值电流模式高亮度LED反激式驱动器,支持有源功率因数校正(PFC)的隔离和非隔离设计。该器件在不连续导通模式下以恒定频率工作,以向输出提供恒定功率。它不需要光耦合器,TL431分流稳压器或任何其他类型的次级侧反馈器件。它在85VAC^265VAC的宽输入电压范围工作。ZSLS7031集成了过流和过压保护,以及热关断,以在异常高的工作温度下停止开关动作。

原型对齐和域感知的零样本哈希

为了实现对未见类别图像的有效检索,零样本哈希(ZSH)方法通常将类别属性中的监督知识从已见类转移到未见类。然而,获取类别属性需要花费额外的计算资源,并且视觉特征和类别属性之间存在跨模态的异构鸿沟。此外,现有方法忽视了强偏差问题,导致模型错误地将已见类样本识别为未见类,从而降低了检索精度。与此同时,ZSH在保持哈希码和原始数据语义一致性以及实现哈希码的离散优化等方面也面临着挑战。为此,提出一种原型对齐和域感知的ZSH方法,其不依赖类别属性等特殊监督知识,能够节省注释属性的花销同时避免跨模态异构鸿沟的影响。首先计算各类样本在海明空间中的原型,然后通过对齐哈希码和类原型来学习语义一致的哈希码。为了避免松弛策略造成的量化误差,提出一种离散优化算法来求解哈希码的离散约束,并且实现线性的计算复杂度。同时,设计一个域感知策略用于分离源域和目标域样本,以缓解强偏差问题的影响。在a PY、AWA2和Image Net数据集上的实验结果表明,该方法的检索精度相较对比方法中的最优值分别提升了2.6、9.4和14.9个百分点,训练时间也远低于大部分对比方法。

融合多Prompt模板的零样本关系抽取模型

Prompt范式被广泛应用于零样本的自然语言处理(NLP)任务中,但是现有基于Prompt范式的零样本关系抽取(RE)模型存在答案空间映射难构造与模板选择依赖人工的问题,无法取得较好的效果。针对这些问题,提出一种融合多Prompt模板的零样本RE模型。首先,将零样本RE任务定义为掩码语言模型(MLM)任务,舍弃答案空间映射的构造,将模板输出的词与关系描述文本在词向量空间中进行比较,以此判断关系类别;其次,引入待抽取关系类别的描述文本的词性作为特征,学习该特征与各个模板之间的权重;最后,利用该权重融合多个模板输出的结果,以此减少人工选取的Prompt模板引起的性能损失。在FewRel(Few-shot Relation extraction dataset)和TACRED(Text Analysis Conference Relation Extraction Dataset)这两个数据集上的实验结果显示,与目前最优的模型RelationPrompt相比,所提模型在不同数据资源设置下,F1值分别提升了1.48~19.84个百分点和15.27~15.75个百分点。可见,所提模型在零样本RE任务上取得了显著的效果提升。

逆合成孔径成像雷达隐身目标零样本识别

针对现有算法不具备识别出未在训练过程中出现的新类别目标的能力问题,提出了针对逆合成孔径成像雷达(inverse synthetic aperture imaging radar,ISAR)隐身目标零样本学习识别方法。首先,基于飞行类动态目标三维网络化物理模型,使用FEKO电磁场仿真软件进行编程,实现ISAR可见的源目标图像数据生成;然后,在此基础上形成不同飞机类目标细节属性的文本语义特征表达。所提出的新类型算法网络模型采用两个变分自编码器,分别进行了图像和语义的特征生成,从而让网络学习到模态不变的特征表达。使用可见类别数据训练网络,并获得能够凭借语义信息生成图像特征的模型。训练识别采用该学习模型不可见的未知新类别目标,从不可见未知的新类别文本语义生成不可见未知的新目标图像特征信息,支撑了不可见未知的新目标识别,统计未知的新类别识别正确率为75%。

基于多标签零样本学习的滚动轴承故障诊断

近年来,数据驱动的方法在滚动轴承故障诊断领域发展迅速,但面对工程实际中没有历史记录的故障类型,仍存在故障特征学习不充分、误诊率高等不足。针对上述问题,提出了多标签零样本学习(multi-label zero-shot learning,MLZSL)故障诊断方法。首先,使用短时傅里叶变换(short-time Fourier transform,STFT)对可见类和未见类样本进行预处理,将得到的时频图像输入残差深度可分离卷积神经网络(residual depthwise separable convolutional neural network,RDSCNN)进行特征提取,再使用可见类故障特征训练属性学习网络,依靠属性学习网络预测未见类故障样本的属性向量,最终实现对未见类故障的诊断。设计了零样本条件下的故障诊断试验,结果表明MLZSL能将可见类故障属性迁移到未见类,并有效诊断未见类故障。

基于属性描述的零样本滚动轴承故障诊断

数据驱动方式是对故障诊断模型进行训练的主要方法,然而因为机器运转环境复杂,没有可用的目标故障样本供模型训练而导致特征学习不充分的情况时有发生。针对这一问题,结合零样本学习(zero-shot learning,ZSL)思想,从属性描述的角度出发,提出了一种基于Xception网络和卷积神经网络(convolutional neural networks,CNN)的零样本滚动轴承故障诊断方法,即X-CNN故障诊断模型。X-CNN模型首先使用Xception网络对故障信号时频图进行特征提取;根据故障类别的属性描述构建属性矩阵,使用CNN对提取的特征进行属性学习;最后通过属性矩阵的相似度比较完成诊断工作。通过零样本条件下的故障诊断试验,证明了X-CNN故障诊断模型可以在不使用测试类样本进行训练的情况下完成滚动轴承故障诊断工作。

在ZS195直喷式柴油机中燃用二甲基醚(DME)的实验研究

本实验使用二甲基醚-柴油二元混合燃料,在对原发动机的燃料供给系统做尽量少的改动的原则下,柴油机的排放大大降低,同时发动机仍能保持原有的动力性能。理论分析和实验证明二甲基醚是一种极有应用前景的柴油机代用燃料。

零样本图像识别

深度学习在人工智能领域已经取得了非常优秀的成就,在有监督识别任务中,使用深度学习算法训练海量的带标签数据,可以达到前所未有的识别精确度。但是,由于对海量数据的标注工作成本昂贵,对罕见类别获取海量数据难度较大,所以如何识别在训练过程中少见或从未见过的未知类仍然是一个严峻的问题。针对这个问题,该文回顾近年来的零样本图像识别技术研究,从研究背景、模型分析、数据集介绍、实验分析等方面全面阐释零样本图像识别技术。此外,该文还分析了当前研究存在的技术难题,并针对主流问题提出一些解决方案以及对未来研究的展望,为零样本学习的初学者或研究者提供一些参考。

苦参素穴位注射对肝纤维化大鼠Ⅳ型胶原和TGF-β_1表达的影响

目的:观察苦参素足三里(OMZSL)注射对肝纤维化大鼠Ⅳ型胶原和转化生长因子-β1(TGF-β1)表达的影响。方法:用CCl4诱导大鼠肝纤维化模型,随机分为5组:正常组、模型组、苦参素腹腔注射(OMip)组和OMZSL注射治疗组、OMZSL注射预防组。实验至10周末,取肝组织,VG染色观察肝组织中总胶原含量;免疫组化观察Ⅳ型胶原和TGF-β1的表达。结果:与模型组比较OMZSL预防与治疗给药均能明显降低肝纤维化大鼠肝组织中总胶原含量,减少Ⅳ型胶原、细胞因子TGF-β1的表达。结论:OMZSL给药能明显减少肝纤维化组织中总胶原含量及Ⅳ型胶原、TGF-β1的表达,抑制细胞外基质沉积,从而减轻或逆转肝纤维化。

基于局部保持典型相关分析的零样本动作识别

动作识别领域需要识别的类别越来越多,这使得标注足够多的训练数据越来越难.零样本学习是针对传统机器学习收集和标注数据日益困难而提出的一种新思路.针对基于零样本学习的动作识别问题,提出了一种基于局部保持典型相关分析映射的方法.该方法使用流形约束的典型相关分析将视觉特征和辅助特征映射到一个公共特征空间,并且在映射过程中保留视觉特征和辅助特征的局部信息,还考虑了域转换所带来的不利影响,同时采用自训练和hubness修正等方法增强所提方法的鲁棒性.通过在主流数据集HMDB51和UCF101上的大量实验,表明所提方法具有较好的零样本学习性能.

一种在万维网上显示Z规格说明的方法

万维网的普及和发展给软件工程师提供了交流和共享知识的场所．Ｚ是一种基于一阶谓词逻辑和集合论的形式规格说明语言．Ｚ语言用大量的数学符号和模式来构造规格说明．然而，当前的ＨＴＭＬ标准不支持在万维网上显示Ｚ规格说明所需的一些符号，此外如何在ＨＴＭＬ文件中表示模式框、公理框和类描述同样是困难的．本文实现了一种在万维网上显示Ｚ规格说明的解决方法，并给出了程序代码和实例．

俄罗斯ISUP的实现

随着俄罗斯通信业的发展,七号信令系统在俄罗斯得到了越来越广泛的应用。首先介绍了俄罗斯七号信令系统的功能结构、俄罗斯综合业务数字网用户部分(ISUP)特点以及俄罗斯目前常用的其他局间信令,然后阐述了俄罗斯ISUP在交换机上的具体实现,包括俄罗斯ISUP基本功能的实现和俄罗斯ISUP与其他局间信令的配合。

零样本图学习综述

深度学习方法的提出使得机器学习研究领域得到了巨大突破,但是却需要大量的人工标注数据来辅助完成.在实际问题中,受限于人力成本,许多应用需要对从未见过的实例类别进行推理判断.为此,零样本学习(zeroshot learning, ZSL)应运而生.图作为一种表示事物之间联系的自然数据结构,目前在零样本学习中受到了越来越多的关注.本文对零样本图学习方法进行了系统综述.首先概述了零样本学习和图学习的定义,并总结了零样本学习现有的解决方案思想.然后依据图的不同利用方式对目前零样本图学习的方法体系进行了分类.接下来讨论了零样本图学习所涉及到的评估准则和数据集.最后指明了零样本图学习进一步研究中需要解决的问题以及未来可能的发展方向.

基于视觉误差与语义属性的零样本图像分类

在图像分类的实际应用过程中,部分类别可能完全没有带标签的训练数据。零样本学习(ZSL)的目的是将带标签类别的图像特征等知识迁移到无标签的类别上,实现无标签类别的正确分类。现有方法在测试时无法显式地区分输入图像属于已知类还是未知类,很大程度上导致未知类在传统设定下的ZSL和广义设定下的ZSL(GZSL)上的预测效果相差甚远。为此,提出一种融合视觉误差与属性语义信息的方法来缓解零样本图像分类中的预测偏置问题。首先,设计一种半监督学习方式的生成对抗网络架构来获取视觉误差信息,由此预测图像是否属于已知类;然后,提出融合属性语义信息的零样本图像分类网络来实现零样本图像分类;最后,测试融合视觉误差与属性语义的零样本图像分类方法在数据集AwA2和CUB上的效果。实验结果表明,与对比模型相比,所提方法有效缓解了预测偏置问题,其调和指标H在AwA2(Animal with Attributes)上提升了31.7个百分点,在CUB(Caltech-UCSD-Birds-200-2011)上提升了8.7个百分点。