名词后缀“-s”的语义嬗变与翻译

本文对带名词后缀“- s”的抽象行为名词的语义特征及其翻译方式进行了讨论。文章指出抽象行为名词后缀“- s”发生了语义嬗变 ,具有语境所赋予的特定的指称对象 ,可指称与原动词有关的行为主体、客体、方式、材料、工具、结果、处所、事件、数目 (量 )、活动等。此外 ,文章对带名词后缀“- s”

“-们”与“-s”——汉英名词复数对比研究

本文就"-们"与"-s"的可比性展开论述,以"名词+们"为研究对象,通过分析二者的渊源、可比性,对二者进行了结构对比和适用范围对比,从而得出,二者在结构和适用范围方面均属两种不同的系统,各自的发展自成一体,到目前为止,二者虽相互间有影响,但总体来说,印欧语中表复数的语法规则不适于分析汉语的"名词+们"表复数结构。

高压管汇材料疲劳性能测试及P-S-N模型曲线的拟合

高压管汇作为压裂设备中的主要易损件之一,其失效危害较大。它的失效原因主要是疲劳、冲蚀、腐蚀或者材料缺陷引起的刺漏和爆裂,其中尤以疲劳失效最不可预估。目前,对于高压管汇材料的疲劳性能研究不够深入,为解决高压管汇材料疲劳寿命的准确描述问题,以某国产高压管汇材料为例,进行了一系列疲劳试验,并基于试验数据,采用多种分布模型和不同S-N模型进行拟合分析,得出综合评价拟合能力最强的P-S-N模型。结果表明,该材料在中长疲劳寿命区,Weibull三参数模型在7级应力水平下综合评价能力最好;在存活率分别为50%、90%、99%、99.9%时,指数S-N模型的拟合系数均大于0.98,拟合能力最好。得出的P-S-N模型曲线可以为高压管汇的疲劳寿命以及安全设计提供依据。

基于D-S证据理论的岩爆预测方法研究

为了有效预测岩爆,提出基于D-S证据理论的岩爆预测方法.首先,选取与岩爆发生相关的6个指标因素作为证据体,并通过模糊物元框架和正态型隶属度函数构建证据体的基本概率分配.然后,利用K均值将证据体分类,并提出簇内证据用传统方式融合而簇间证据用权重方式融合的组合融合规则,以减轻高冲突证据融合的不利影响.最后,将模型应用在秦岭终南山公路隧道2号竖井工程,且与经验方法对比.为了分析预测过程的不确定性和估计岩爆发生概率,采用蒙特卡洛模拟进行抽样仿真,并通过Spearman秩相关系数衡量输入指标的全局敏感性.研究结果表明:输入指标在不同的岩爆案例的影响程度差异较大且方向不同;5个岩爆案例的发生概率在40.8%~70.1%之间.该模型表现出优异的预测分类性能,可为深埋地下工程岩爆预测提供参考.

基于数据流的K-S变化检测的动态多目标规划算法

为了更加准确地判断环境是否发生变化并快速追踪动态多目标规划问题(dynamicmulti-objectiveoptimization problem,DMOP)当前时刻的Pareto前沿,提出了一种基于数据流的Kolmogorov-Smirnov(K-S)变化检测的动态多目标规划(DSK-SDMOP)算法。该算法以NSGA-Ⅱ为基础,通过数据流建立2个时刻的检验窗口,再利用K-S检验基于数据流的Pareto最优前沿是否发生变化,检测2个窗口的数据是否服从同一分布来判断环境是否发生变化,并就环境变化的剧烈程度实行相应的应答机制,以提高对环境的适应程度。利用基于数据流的K-S检测方法,对环境变化不会过于敏感,而且不用提前假设对应目标值的分布,易于操作。通过5个动态多目标规划标准测试函数对该算法进行测试,并和现有的2种算法进行对比分析,结果表明该算法处理动态多目标规划问题具有良好的性能。

基于改进YOLOX-S的轻量化煤矸石检测方法研究

目的 为了探索基于现有机器视觉煤矸石检测方法的模型参数量、计算量对检测速度和嵌入式设备的影响,方法 提出一种基于改进的无锚框YOLOX-S轻量化煤矸石检测模型。为使模型能提取更真实的煤矸石特征信息,收集分选现场煤矸石样本,保证实际环境下的煤矸石检测效果,适应实际生产环境。结合CSPNet,将输入的特征图分割成两个分支,实现更丰富的梯度组合,同时减少模型计算量;之后在其中一条分支使用Ghost轻量化卷积,通过少量常规卷积生成一组特征图,达到初次减少计算量和参数量的效果,然后在此特征图基础上经过简单线性变化操作,生成一组新的特征图,将两组特征图进行融合,降低对计算资源需求的同时,也达到了常规卷积相同的特征提取效果;引入LeakyReLU激活函数减弱模型梯度消失的影响,提取更深更多的特征信息;最后融合两个分支特征,保证较高的检测精度,提升模型检测速度。采用CIOU Loss(complete IOU loss)优化目标边界框回归损失函数,使模型回归损失收敛更快,提高模型目标定位能力。结果 与原模型相比,本文改进模型在保证较高的平均精度均值90.51%情况下,模型参数减少47%,计算量减少49%,检测速度达到50帧/s。结论 轻量化煤矸石检测模型使智能化煤矸石检测在实际生产环境中具有一定的应用前景。

基于1DCNN和D-S多信息融合的光伏系统直流母线串联电弧故障检测

直流母线是光伏系统输出能源的主干道,由于长期曝晒、风化等作用,电缆、连接器等组件劣化,光伏系统直流母线中发生电弧的可能性急剧上升,极易引发火灾、触电等事故。在光伏系统中,串联电弧故障将使回路电流下降,传统的过流保护无法识别。因此,本文提出基于深度学习和证据理论(D-S)的方法来识别串联电弧故障,该方法基于并联电容器电流和电压信号,采用一维卷积神经网络(1DCNN)对检测数据进行电弧识别;在此基础上将基于单个传感数据的识别结果作为证据,运用D-S多信息合成法则计算得到信度分配,最后利用决策规则判断是否发生串联电弧故障。搭建多参数可调模型获取数据进行测试,结果表明:使用1DCNN识别方法,基于并联电容器电流和电压信号的串联电弧识别准确率分别为97.19%和94.98%,而基于1DCNN和D-S多信息融合的光伏系统直流串联电弧故障检测的识别准确率可提升至99%以上。

从协同到求异:指向教师专业发展的U-S合作优化研究

U-S合作是教师专业发展的重要举措。审视U-S合作的历程可知,U-S合作致力于多方位促进教师专业发展,协同逐渐成为U-S合作促进教师专业发展的底层逻辑。随着合作的持续推进,这一底层逻辑在促进教师专业发展方面所潜在的矛盾也逐渐暴露出来。一方面,大学与中小学的文化差异阻碍了协同的深度发生;另一方面,为了实现大学与中小学的协同,双方不得不做出诸多的妥协,在妥协的语境下,中小学教师往往面临着主体性丧失的风险。与之相对,在求异这一核心理念的引领下,跨界学习旗帜鲜明地提出了“差异即资源”的主张,并通过互动场域的营造和互动系统的建构,为“差异即资源”提供了现实可能,也为优化U-S合作提供了新的思路。

K-S变换及其电网超谐波时频分析应用

依据FFT→优化窗→IFFT思路,突破线性时频变换的窗函数积分性能桎梏,实现高性能优化窗函数的线性时频变换应用,建立新型时频变换算法——K-S变换.对信号x(t)的FFT频谱向量进行频移处理后,与该频移点下Kaiser优化窗的频谱向量进行Hadamard乘积,再将乘积结果进行FFT逆变换(IFFT),构造出K-S变换复时频矩阵,由此获得x(t)的时间-频率-幅值、时间-频率-相位三维信息;给出逆变换的数学推导与局部性质、线性性质和变分辨率特性;0~150 kHz电网的稳态与时变超谐波信号仿真实验表明,K-S变换的时域、频域分辨能力均优于流行的短时傅里叶变换、S变换,具有优良的变分辨率性能;0~40 kHz超谐波信号的实测证明,基于K-S变换的超谐波电压幅值测量绝对误差均小于0.032 3 V.

深水采油树Spring-Seal密封圈接触模型构建与实验测试

为提高深水采油树在高压、高温、低温等工况下长时间工作的稳定性,对采油树密封圈进行重新设计,提出Spring-Seal密封圈(以下简称S密封圈);基于赫兹接触理论、填料密封接触理论,重新构建S密封圈接触力学模型;建立有限元仿真分析模型,分析不同条件下S密封圈的密封性能,同时验证新建接触模型的合理性;利用实验测试S密封圈的实际密封效果。研究结果表明:S密封圈在高压、高温、低温等工况下能够长时间稳定工作且密封性能良好。研究结果可为S密封圈的接触研究及工程运用提供理论参考。

车辆主动悬架自适应变论域T-S模糊控制研究

针对传统变论域模糊控制存在过度依赖专家经验、伸缩因子参数不能自适应调整的问题,提出一种车辆主动悬架自适应变论域T-S模糊控制策略,从而提高车辆的行驶平顺性。结合神经网络和T-S模糊推理建立基于自适应神经模糊推理的一阶T-S模糊控制器,利用神经网络的自学习特性产生完善的模糊规则,进而在传统函数型伸缩因子的基础上,将系统误差和误差变化率作为动态参数引入伸缩因子中,实现伸缩因子参数的自适应调整,解决了传统函数型伸缩因子因参数确定难度大导致控制效果差的问题。通过随机工况下的仿真分析和基于相似理论的缩尺实验,对所提出算法的有效性和工况自适应性进行了验证。结果表明,所提出的自适应变论域T-S模糊控制策略具有较强的工况适应性,在不同车速、路面激励下均可有效提高车辆的平顺性并保证轮胎接地安全性。

D-S证据理论在空中目标识别中的应用现状与展望

D-S证据理论作为一种多源信息融合工具,在空中目标识别领域中得到了广泛应用。对D-S证据理论进行了概述;简要梳理了D-S证据理论在空中目标识别领域中的发展脉络,并提出应用中需要解决的三类关键问题;围绕上述问题,重点对该领域中的BPA获取、证据冲突度量、证据融合的应用现状进行综述;最后,基于空域控制视角,对D-S证据理论在该领域中的应用进行了展望。研究可为空中目标识别领域的理论发展和工程应用提供参考。

D-S理论和Markov链组合的桥梁性能退化预测研究

为准确预测桥梁性能退化,考虑到数据随机性和微小扰动发生状态跳跃,提出了一种D-S(Dempster-Shafer)证据理论和Markov链组合的桥梁性能退化组合预测模型和性能退化率的概念.该模型基于指数平滑(exponential smoothing,ES)方法获得新的预测数据序列,并利用Markov链和D-S理论不断进行优化,从而实现桥梁性能退化的组合预测.实际工程的应用结果表明:性能退化率可以直观地表征在梁性能退化的速度.其次,该模型的平均相对误差为1.54%,较于回归、灰色和模糊加权Markov链模型,精度分别提高了1.11%,0.88%和2.8%,而后验差比值为0.242,小于0.35;模型的标准差为9.021,相比其他模型分别减小了3.978,3.405和7.500,而变异系数为0.109,均小于其他模型,验证了组合预测模型在精度和稳定性方面的优越性,可为在役桥梁结构性能退化预测与维护提供理论基础.

教育硕士产教融合“U-G-S&E”育人模式探析

产教融合是教育与产业的深度合作,我国产教融合的政策经历了从职业教育到普通教育的发展。产教融合符合教育硕士人才培养的逻辑,“U-G-S&E”育人模式以高校为主导,政府提供政策引导和资金支持,中小学和企业协同参与教育硕士的培养。通过实践探索发现,“U-G-S&E”模式可以更好地激发学生提升职业能力的动力,助力学生职业生涯规划和就业,提升以赛赋能的效果,帮助高校校内导师、中小学和企业的校外导师加深对教育链、人才链与产业链、创新链有机衔接的理解,助力孵化本地企业参与遴选国家产教融合型企业,推动本地企业更好的融入国家现代教育体系建设。

基于CD-BSMOTE的D-S证据融合变压器故障诊断

针对变压器油中溶解气体数据集不均衡特性对故障诊断结果的影响,提出一种基于清除临界点改进的边界合成少数类过采样算法均衡数据集和Pearson冲突距离改进D-S证据融合的变压器故障诊断模型。首先,对少数类样本进行均衡化处理,根据K-means聚类结果清除处于临界位置的样本;其次,搭建梯度提升树、随机森林、BP神经网络的故障诊断模型,实现变压器故障初步诊断;接着引入Pearson冲突距离改进D-S证据融合模型,实现诊断结果的融合决策;最后,经实际算例分析,诊断精确率达到92.65%。结果表明,所建模型能有效解决数据不平衡对诊断结果的影响,提高故障诊断精度。

基于D-S证据理论的农作物气候品质预测方法研究:以晚熟杂交柑橘春见为例

【目的】基于多源气象数据构建果实品质(糖含量等级)预测模型,为科学评价果实气候品质及深入挖掘农产品气候资源提供科学依据。【方法】以晚熟柑橘春见果实为研究对象,利用多源数据融合技术、人工神经网络(BP神经网络、RBF神经网络和Elman神经网络)和D-S证据理论,包括气象数据质量控制、特征选取、特征级融合、决策级融合4个步骤,构建基于多源气象数据的果实品质(糖含量等级)预测模型。【结果】春见果实品质预测模型采用BP神经网络预测结果总体准确率为87.50%,平均绝对误差(MAE)为0.150,均方根误差(RMSE)为0.447;RBF神经网络预测结果总体准确率为85.00%,MAE为0.175,RMSE为0.474;Elman神经网络预测结果总体准确率为87.50%,MAE为0.150,RMSE为0.447;D-S证据理论决策融合总体预测准确率达95.20%,分别较BP神经网络、RBF神经网络和Elman神经网络提升7.7百分点、10.2百分点和7.7百分点,MAE和RMSE分别为0.040和0.214,均明显降低。【结论】D-S证据理论决策融合后的果实品质预测准确率相比单一神经网络预测更高、误差更小。

纳米C-S-H/PCE对蒸养UHPC力学性能增强机理研究

目前超高性能混凝土(UHPC)制品的力学性能有待进一步提升,采用纳米C-S-H/PCE对UHPC进行增强在理论上是一种可行的技术途径。本文研究了蒸养条件下掺入以聚羧酸(PCE)为分散剂的纳米水化硅酸钙(C-S-H/PCE)对UHPC力学性能的影响,通过测试水化热、水化产物、微观形貌和孔结构等对其机理进行了分析。结果表明,掺入3.0%(质量分数)纳米C-S-H/PCE可以显著提高蒸养UHPC的抗压强度和抗折强度。掺入纳米C-S-H/PCE可以促进UHPC的早期水化,生成更多的水化硅酸钙(C-S-H)凝胶,使水化放热温峰增高,并缩短达到水化温峰的时间。掺入纳米C-S-H/PCE可有效改善蒸养UHPC的孔结构,在掺量为3.0%(质量分数)时总孔隙率最小,有害孔比例最低。该研究可为纳米C-S-H/PCE在蒸养UHPC中的应用提供参考。

基于轻量化YOLOX-S与多阈值分割的矿山遥感图像去噪算法

矿山遥感图像普遍存在大量的噪点,给后续图像分析和处理带来了很大困难。提出了一种基于轻量化目标检测模型YOLOX-S和多阈值分割的矿山遥感图像去噪算法。首先使用YOLOX-S模型对矿山遥感图像进行目标检测,得到矿山目标的位置信息。然后针对矿山目标的特点,设计了一种多阈值分割方法消除图像中的噪声点。通过将图像分为若干个子区域,并对每个子区域采用不同的阈值进行二值化处理,最终将各子区域的二值化结果合并得到去噪后的图像。试验结果表明:该算法能够有效地去除矿山遥感图像中的噪声点,并且在保留目标特征的同时,大幅提升了图像质量。此外,由于采用了轻量化模型和多阈值分割算法,使得该算法具有较快的处理速度和较低的计算成本,适用于大规模图像数据的处理任务。

基于T-S模糊故障树的驱动电机冷却系统可靠性分析

车用驱动电机液压冷却系统存在故障机理不确定等问题。本文应用模糊数描述其故障概率和故障程度,建立驱动电机冷却系统的T-S模糊故障树模型,计算系统模糊可能性,分析各部件的概率重要度和关键重要度,找出影响系统可靠性的关键部件。

基于加权D-S证据理论的旋翼故障诊断

旋翼作为直升机的升力面和操作面,其健康状态对直升机的安全至关重要。旋翼故障诊断技术仍是直升机健康与使用监测系统(Health and usage monitoring system, HUMS)领域的薄弱环节,开发旋翼故障诊断技术具有重要价值。基于信息融合技术,首先分析了旋翼故障的诊断机理,建立了旋翼故障模型,通过流固耦合仿真获取了不同故障下桨叶、轮毂和机身的故障特征信息,生成数据集进行网络训练和验证。然后,利用遗传算法反向传播(Genetic algorithm-backpropagation, GA-BP)优化神经网络诊断3种类型的直升机旋翼故障,即后缘调整片误调、变距拉杆误调和桨叶质量不平衡。3个逐级神经网络分别对旋翼故障类型、故障位置和故障程度进行了诊断识别。最后采用加权的Dempster-Shafer(D-S)证据理论对旋翼故障进行诊断和分析。结果证明基于改进D-S证据理论的旋翼故障诊断方法能够成功应用到旋翼故障诊断中,并具有良好的识别效果。