有氧运动训练影响阿尔茨海默症小鼠海马Notch1、Caspase-3的表达

背景:β-淀粉样蛋白和Tau蛋白会对阿尔茨海默症患者的认知功能产生不良影响,研究发现Notch1及Caspase-3能够调控β-淀粉样蛋白和Tau蛋白的表达。Notch1及Caspase-3是否介导了有氧运动改善阿尔茨海默症患者认知能力的过程还不清楚,目前缺乏长期有氧运动影响阿尔茨海默症小鼠海马中Notch1及Caspase-3表达的研究。目的:观察长期有氧运动干预阿尔茨海默症小鼠的空间学习记忆情况及其海马中Notch1及Caspase-3的表达,探讨Notch1及Caspase-3对阿尔茨海默症小鼠的影响。方法:将3月龄野生型及APP/PS1双转基因阿尔茨海默症小鼠随机分为4组:野生对照组、野生运动组、阿尔茨海默症对照组、阿尔茨海默症运动组,每组20只。对照组小鼠不进行运动,运动组小鼠进行5个月的有氧运动干预。运动干预结束后,采用Morris水迷宫检测小鼠空间学习记忆能力;采用Real-timePCR、免疫荧光及Westernblot检测各组小鼠海马组织Aβ_(1-42)、Tau、Notch1及Caspase-3蛋白的表达。结果与结论:①阿尔茨海默症小鼠空间学习记忆能力显著差于野生组(P<0.05);运动组小鼠空间学习记忆能力显著优于对照组(P<0.05);②阿尔茨海默症对照组小鼠海马Aβ_(1-42)、Tau、Notch1及Caspase-3表达均显著高于野生对照组(P<0.05);阿尔茨海默症运动组小鼠海马Aβ_(1-42)、Tau、Notch1及Caspase-3表达显著低于阿尔茨海默症对照组(P<0.05);③提示:长期有氧运动干预能够改善阿尔茨海默症小鼠的空间学习记忆能力,而这可能与有氧运动降低阿尔茨海默症小鼠海马Notch1、Caspase-3、Aβ_(1-42)及Tau蛋白表达有关。

基于SSA−LSTM的风速异常波动检测方法

针对传统统计方法对风门开闭导致传感器监测数据异常波动的漏报率和误报率高的问题,通过挖掘风速传感器中时间序列数据中的数据特征,提出了一种基于奇异谱分析法(SSA)与长短期记忆神经网络(LSTM)组合的SSA−LSTM风速异常波动检测方法。首先利用SSA对风速传感器监测数据进行预处理,将风速数据分解为趋势分量、周期分量和噪声分量,通过重组趋势分量和噪声分量去除因湍流脉动产生的数据噪声;然后对LSTM进行参数优化,利用优化后的LSTM模型对预处理数据进行预测并得到重构风速;最后以对数概率密度函数计算监测风速与重构风速的异常分数,通过计算训练集数据样本的异常分数设定阈值对监测风速进行异常检测。试验结果表明:SSA去除因湍流脉动产生的数据噪声效果较好,在不影响数据波动情况下去除噪声分量,有助于提高风速重构效果和异常检测准确率;LSTM在无异常波动时能正确重构因湍流脉动导致的小幅波且与实际数据拟合效果较好,在有异常波动时根据历史波动趋势对异常波动段进行重构,可有效提高异常检测的准确率。通过对比分析,所提方法比ARIMA、BP、CNN模型的重构效果更好,异常检测准确率为99.2%,F1-Score为0.97,验证了所提方法的可靠性。表明本文所提方法在检测因风门开闭导致的风速异常波动上具有一定的应用价值。

基于CEEMD-SE的CNN&LSTM-GRU短期风电功率预测

为进一步提升短期风电功率的预测精度,提出了一种基于互补集合经验模态分解-样本熵(complementary ensemble empirical mode decomposition-sample entropy,CEEMD-SE)的卷积神经网络(convolutional neural network,CNN)和长短期记忆-门控循环单元(longshorttermmemory-gatedrecurrentunit,LSTM-GRU)的短期风电功率预测模型。首先,利用互补集合经验模态分解将原始风电功率序列分解为若干本征模态函数(intrinsic mode function,IMF)分量和一个残差(residual,RES)分量,利用样本熵算法将相近的分量进行重构;其次,搭建卷积神经网络和长短期记忆网络的并行网络结构,提取数据的局部特征和时序特征,并将特征融合后输入门控循环单元网络中进行学习预测;最后,通过算例进行验证,结果表明采用该模型后预测精度得到了有效提升,其均方根误差降低了15.06%、平均绝对误差降低了15.22%、决定系数提高了1.91%。

NiTi形状记忆合金的功能特性及其应用发展

NiTi形状记忆合金(shape memory alloys,SMAs)作为一种智能材料,具有良好的超弹性、形状记忆效应和生物相容性等功能特性,被广泛应用于航空航天、医疗器械和工程建筑等领域。其中超弹性在宏观上表现为发生较大的变形仍能恢复原形状,且其远大于常见金属可恢复的弹性应变。形状记忆效应则是温度激励下奥氏体和马氏体两相的相互转变,根据宏观变形分为单程、双程和全程形状记忆效应。而NiTi SMAs的生物相容性体现在低弹性模量和低生物毒性等方面,可应用于正畸、矫正、心血管支架等医疗器件。为充分发挥NiTi SMAs的功能,研究者们不断开发NiTi SMAs相关的智能结构。本文简要综述了近年来研究和发展NiTi SMAs的不同功能特性及其对应的智能结构典型应用,详细介绍和讨论了NiTi SMAs的功能特性、关注问题和应用领域。同时,也对NiTi SMAs阻尼性能和储氢特性进行了阐述。最后,展望了NiTi SMAs在各领域应用上尚需重点关注的问题:利用增材制造技术调控微观结构实现超弹性的稳定性提升;通过建立本构模型为形状记忆效应的稳定应用提供理论指导,并进一步优化结构实现形状记忆效应的宏观放大;提高NiTi SMAs在生物环境里的耐腐蚀性和医疗应用推广。因此,推动NiTi SMAs在不同应用领域的个性化和功能定制化,尚需大量的跨学科研究。

基于Arduino的SMA丝材智能修复损伤钢筋混凝土梁试验研究

为修复钢筋混凝土梁在使用阶段中由于材料老化、裂缝开展等原因造成的损伤,提出一种基于Arduino智能平台和形状记忆合金(Shape Memory Alloy,SMA,具有形状记忆效应和超弹性特性)的智能修复控制系统,根据挠度及裂缝控制原理,设计智能修复控制装置。该装置由输入模块、处理模块和输出模块组成,当检测到钢筋应变超过限值时,输出模块升高SMA丝材温度对梁体进行修复。为验证该智能修复装置的修复性能,设计对比梁A(无修复装置)与试验梁B(加装智能修复控制装置),在加载过程中对试验梁B进行3次修复,对2根梁的跨中挠度、钢筋应变及裂缝宽度等进行对比分析。结果表明:破坏时试验梁B的跨中挠度、裂缝宽度均小于对比梁A,并且在3次修复中试验梁B的跨中挠度、裂缝宽度和钢筋应变最大回复率分别为31.0%、47.0%和71.5%。说明该智能修复控制装置可以监测试验梁受损情况并激发SMA材料对试验梁实施修复,实现钢筋混凝土梁的智能修复。

融合自适应周期与兴趣量因子的轻量级GCN推荐

推荐系统在成熟的数据挖掘技术推动下,已能高效地利用评分数据、行为轨迹等显隐性信息,再与复杂而先进的深度学习技术相结合,取得了很好的效果.同时,其应用需求也驱动着对基础数据的深度挖掘与利用,以及对技术要求的减负成为一个研究热点.基于此,提出一种利用GCN(graph convolutional network)方法进行深度信息融合的轻量级推荐模型LG_APIF.该模型结合行为记忆,通过艾宾浩斯遗忘曲线模拟用户兴趣变化过程,采用线性回归等相对轻量的传统方法挖掘项目的自适应周期等深度信息;分析用户当前的兴趣分布,计算项目的兴趣量,以获取用户的潜在兴趣类型;构建用户-类型-项目三元组的图结构,并结合减负后的GCN技术来生成最终的项目推荐列表.实验验证所提方法的有效性,通过与8个经典模型在Last.fm,Douban,Yelp,MovieLens数据集中的对比,表明该方法在Precision,Recall及NDCG指标上都得到良好改善,其中,Precision平均提升2.11%,Recall平均提升1.01%,NDCG平均提升1.48%.

基于CNN-LSTM混合神经网络的高速铁路地震响应预测

为了更好地挖掘高速铁路在地震时的响应信息,提高光纤光栅监测的效率及预测精度,该文针对地震响应数据的时序性及非线性的特点,提出卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合神经网络模型预测方法.通过在高速铁路简支梁桥上布设准分布式光纤光栅采集地震时轨道板、钢轨、底座板、箱梁的响应数据,在每根光纤上布置7个光栅,利用两边光栅的响应数据预测中间点的光栅响应,将采集位置、历史数据及地震波形等信息作为特征图输入.利用CNN提取特征,再将提前提取出来的特征数据以时序方式作为LSTM网络的输入数据,最后LSTM网络进行地震应变响应预测.实验结果表明,LSTM网络在3层时效果最好,CNN-LSTM方法具有较高的预测精度,根均平方误差(R_(RMSE))、平均绝对误差(R_(MAE))、决定系数(R^(2))分别达到了0.3753、0.2968、0.9371.

民族志动画中的跨越“在场”与记忆“再现”——基于湘西苗族仙娘仪式影像的实践反思

文化记忆是一个民族凝聚群体、实现文化认同的重要内核,其中族群仪式作为一种具体的文化行为深嵌于特定的社会情景场域,对集体记忆和文化记忆的构筑起到关键作用,一直是人类学研究的重要议题。民族志动画通过一套特别的视觉媒介符号体系进行知识生产与意义呈现,在表达回忆、经历等抽象经验方面可跨越“在场”时空屏障,为新时代的影视人类学提供新的范式实验和新的模态可能。基于湘西苗族仙娘仪式影像实践,通过与文化持有者开展互为主体性合作和反身性对话,可生成饱含原住民真切情感的民族志动画影像文本,在影像志的“抒写”中实现仪式记忆的“再现”与族群文化记忆的表达。

重构传统节日的文化记忆

传统节日是中华优秀传统文化的重要组成部分,是我国千百年来代代相承演变而形成的民族文化标志。传统节日承载着源远流长的历史和丰富的民族文化元素,传递着中华民族古往今来的文化记忆,凝聚着广大民众的深厚情感和精神寄托,具有重要的功能和价值。要对全民族共享的节日文化记忆进行不断挖掘与重构,激发其本身的活力,让传统节日赋予现实生活以新的能量,夯实对中华民族共同体的认同与文化根基。

集体记忆与历史重述——左翼作家的“左翼文学”回忆

左翼作家对“左翼文学”的回忆蔚为大观,构成现代中国不容忽略而又意味深远的文化景观。其重构历史的强烈意图,与当下政治生态、社会现实之间的深层互动,使其足以作为实践中国现代文学研究“记忆的转向”的典型样本。左翼作家通过个人史、“左联”史和左翼文学史的叙述,完成形象重塑、身份认同、重构历史、接续传统等多种意图,充分体现话语生产与意识形态之间的紧密关系。“左翼文学”回忆对社会框架十分依赖,呈现出明显的“集体记忆”特征,打上了社会主导思想和主流意识形态的深深印记,但“个体记忆”又常常逸出“社会框架”,对集体记忆构成冲击与反抗,使得左翼作家的回忆呈现出微妙的张力。然而无论如何,左翼作家的“左翼文学”回忆都在很大程度上重构了中国现代文学史,深度影响了我们对左翼文学的认知。

社交媒体环境下历史类微纪录片的共情传播策略研究——以央视《国家记忆》为例

社交媒体环境下,受众情感的共鸣与认同是历史类微纪录片传播效果提升的关键所在。本研究基于共情传播理论,以央视历史类微纪录片《国家记忆》官方抖音账号为研究对象进行内容分析,梳理总结了其在共情传播方面的策略与不足,并在此基础上提出了创新形式、调动受众参与热情,丰富内容、满足受众情感需求,积极互动、回应受众情绪等共情传播策略,旨在助推历史类微纪录片讲好历史故事,引导受众知史爱党、知史爱国,形成科学的历史认知与价值共识。

基于多源信息融合和WOA-CNN-LSTM的外脚手架隐患分类预警研究

面对施工现场外脚手架隐患信息的多样性,传统的基于传感器监测的单一信号预警研究存在容错力不佳、含有信息有限等问题。针对施工现场外脚手架“图像+监测”数据,提出一种基于数据层和特征层信息融合的脚手架隐患分类预警方法。首先,利用Revit三维建模软件建立外脚手架实体模型,对不同初始隐患下的外脚手架进行有限元分析,划分隐患预警等级;其次,利用无迹卡尔曼滤波算法(Unscented Kalman Filter,UKF)及卷积长短时记忆网络(Convolutional Neural Network-Long Short Term Memory Network,CNN-LSTM)实现脚手架同类信息数据层融合及异类信息特征层融合;最后,通过实时收集西安市某在建项目落地式双排扣件式钢管脚手架隐患信息,对其进行分类预警,并使用鲸鱼优化算法(Whale Optimization Algorithm,WOA)对CNN-LSTM网络进行参数优化,发现隐藏节点个数为30、学习率为0.0072、正则化系数为1×10^(-4)时分类效果最佳,优化后预警精度达到了91.4526%。通过可视化WOA-CNN-LSTM、CNN-LSTM、CNN-SVM(Support Vector Machine,支持向量机)及CNN-GRU(Gate Recurrent Unit,门控循环单元)分类预警结果,证实了优化后的CNN-LSTM网络在脚手架分类预警方面的优越性。

基于改进金豺算法的短期负荷预测

针对电力负荷序列波动性和预测精度不高的问题,提出一种基于变分模态分解、排列熵和改进金豺算法优化双向长短期记忆网络的预测模型。首先,利用变分模态分解重构原始负荷序列,再采用排列熵理论对分解后的子序列进行熵值重组;然后,利用改进金豺算法对双向长短期记忆网络的参数进行优化,并对每个子序列建立预测模型;最后,组合各模型结果得到最终预测值。实验结果表明,本文模型预测精度更高,与真实值拟合度更好。

壳三糖和壳五糖对睡眠剥夺小鼠学习记忆障碍的影响

各种原因引起的睡眠时间减少已成为生活常态,睡眠剥夺会降低机体的学习记忆能力,影响生活质量。该研究对C57BL/6J小鼠进行21 d睡眠剥夺,同时每天对小鼠灌胃壳三糖(chitotriose,COS3)和壳五糖(chitopentaose,COS5),通过体重、新物体识别实验、病理学染色、氧化应激和凋亡相关蛋白表达评估COS3和COS5的保护作用。结果显示,COS3和COS5干预能够缓解小鼠体重下降和海马神经细胞坏死变形,显著提高海马组织中超氧化物歧化酶水平和总抗氧化能力,显著降低海马丙二醛含量。COS3和COS5干预能够显著提升海马p-PI3K(phospho-phosphotylinosital 3 kinase)和p-Akt(phospho-protein kinase B)蛋白的相对表达量,激活PI3K/Akt信号通路,缓解神经细胞凋亡。研究表明,COS3和COS5能够明显改善睡眠剥夺引起的学习记忆能力下降,其机制可能与COS3和COS5能够缓解海马组织氧化应激和神经细胞凋亡有关,其中COS3的效果优于COS5。

数字人文档案与国家记忆工程的相互关系与作用研究

探讨“数字人文档案”概念的内涵及意义,剖析数字人文档案与国家记忆工程之间的关系和相互作用,为相关领域的研究和实践提供理论指导和方法支持。通过文献综述和理论分析的方法,全面系统地探讨数字人文档案与国家记忆工程的相互关系和作用。提出“数字人文档案”的内涵是将数字人文成果以档案的形式进行保存、管理和利用,并分析了数字人文档案与国家记忆工程对记忆资源维护的相互促进关系。

“中华民族伟大复兴”话语彰显与中华民族共同体建设价值引领

话语是思想意识的载体,也反过来影响和塑造人们的思想意识。“中华民族伟大复兴”话语是近代以来最具有凝聚力的话语之一,在多个维度具有彰显中华民族共同体建设的功能。从历史维度看,“中华民族伟大复兴”话语叙写了中华民族百年来的屈辱历史记忆和辉煌奋斗历程,在时间向度刻写中华民族共同体的历史叙事,在记忆向度唤起中华民族共同体的历史共识。从场域维度看,“中华民族伟大复兴”话语展演了中华民族共同体意识的生发场域,在空间场域下循环往复催生观者的共同体意识,在符号场域下潜移默化地重塑观者的思维结构和意识生成,在传播场域下持续不断凝聚出共同体意识和行动力。从心理维度看,“中华民族伟大复兴”话语强化了中华民族共同体的心理认同,以意识形态形塑整体意识倾向和心理定势,以社会主义核心价值观塑造全体人民共同的价值立场,以文化认同凝聚各族人民内心深处的普遍性精神共识。从政治维度看,“中华民族伟大复兴”话语厚植了中华民族共同体的政治底色,既体现以人民为中心的政治立场,重构中华民族共同体身份属性,也契合为人民谋幸福的价值追求,打牢中华民族共同体认同基础。

基于ResNet-LSTM的航空发动机性能异常检测方法

为了实现数据驱动的航空发动机性能异常的智能检测,提出了一种基于残差网络(ResNet)-长短期记忆网络(LSTM)的发动机性能异常检测方法。采用发动机性能数据图像化方法,在数据降维的同时,完备保留数据的关联特征和时序特征;以残差单元构建发动机性能异常检测模型,在加深网络结构的同时,消除深层网络梯度消失问题,提高发动机性能图像空间关联特征的提取能力。同时,引入LSTM,提出基于ResNet-LSTM的发动机性能异常检测模型,通过ResNet与LSTM的融合,强化异常检测模型对时序特征的提取,提升发动机性能异常检测的准确率;通过发动机运行数据进行验证。结果表明:在训练集上,该方法的异常检测准确率为94.95%,比基于ResNet18、ResNet34、ResNet50异常检测模型的分别提高10.87%、8.00%、3.23%;在测试集上,该方法的异常检测准确率为92.15%,比基于ResNet18、ResNet34、ResNet50异常检测模型的分别提高11.81%、9.45%、3.78%。

卒中后失语工作记忆的事件相关电位及时频特征

目的 探索卒中后失语(PSA)工作记忆的任务态脑电特征。方法 2020年9月至2021年2月,于北京中医药大学东直门医院招募PSA患者(PSA组)和健康受试者(HC组)各8例,采集脑电图和记忆量表数据,通过工作记忆任务态的脑电数据分析时域事件相关电位(ERP)和时频的脑电频段指标特点,与记忆量表中的各项目进行相关性分析。结果 最终纳入10例,每组5例。ERP分析发现前额区诱发N1和P2成分,顶枕区诱发P300成分。与HC组相比,PSA组在出现条件下,中央前额区N1和P2激活增强,右侧顶枕区P300活动降低(|t|> 2.193, P <0.05)。与HC组相比,PSA组在未出现条件下右侧前额区、中央顶枕区θ频段能量降低,左侧顶枕区α1频段能量降低,左侧中央区γ频段能量增加(t> 2.398, P <0.05)。相关性分析显示,γ频段的能量与听觉词语学习测验中的即刻回忆(r=0.914, P=0.030)、正确再认(r=0.931, P=0.022)和数字广度测验中的倒背(r=0.924, P=0.025)、顺背(r=0.889, P=0.044)呈强正相关。结论 视觉工作记忆任务可调动PSA患者记忆相关脑区代偿活动,可作为PSA工作记忆相关研究的评价客观指征。语言损伤与工作记忆之间存在密切联系。

基于奇异谱分析和辛几何模态分解的短期碳排放预测模型

在短时期内对碳排放水平进行评估和规划,对制定精准的减排目标和有效的政策措施可以起到辅助作用。将奇异谱分析分解法(Singular spectrum analysis decomposition,SSAD)和辛几何模态分解(Symplectic geometry mode decomposition,SGMD)组合成新型的二次信号分解法,并应用于每日碳排放量预测。在对原始序列进行二次分解之后,利用快速傅里叶变换对子序列进行重构,并应用偏自相关函数来选择合适的输入变量。最后,利用麻雀搜索算法(Sparrow search algorithm,SSA)对长短期记忆网络(Long short-term memory network,LSTM)进行优化,建立了SSAD-SGMD-SSA-LSTM模型。通过与其他模型进行对比实验,发现SSAD-SGMD二次分解更加适合碳排放时间序列预处理,并且可以进一步提高预测精度。SSAD-SGMD模型与集成经验模态分解和变分模态分解相结合的二次分解模型相比,模型的可决系数R2提高了1.83%,平均绝对百分比误差(Mean absolute percentage error,MAPE)有所降低,均方根误差(Root mean square error,RMSE)降低了43.16%。此外,经过SSA优化后的LSTM模型,R2提高了1.49%,MAPE有所降低,RMSE降低了38.64%。所提出的模型能够有效提升短期碳排放预测的准确性。

基于LSTM-POD的汽车湍流尾迹的高时间分辨速度场重构

本文针对方背Ahmed汽车标模的湍流尾迹,建立基于长短时记忆法(long short-term memory,LSTM)和本征正交分解(proper orthogonal decomposition, POD)相结合的深度学习模型LSTM-POD。通过建立非时间分辨平面速度场POD模态系数和若干离散点的时间分辨速度信号的映射关系,实现了方背Ahmed汽车标模湍流尾迹流场的高时间分辨率重构,并对比了不同时间步长配置,即单时间步长(LSTM-Sin)和多时间步长(LSTM-Mul)对重构效果的影响。研究表明:LSTM-POD模型在时间序列重构中具有较强的学习和泛化能力。另外,LSTM-Mul考虑到了时间上的连续性和相关性,相较于LSTM-Sin,其重构出的低阶模态系数和速度场与POD的重构结果更吻合。本研究提出的深度学习模型可以缓解通过实验及高精度数值模拟获取高时间分辨率流场数据资源消耗大、计算效率低等问题。