水环境污染物迁移参数空间变异性分析原理与方法

分析了水环境污染物迁移参数空间变化的二重性特征，阐述了分析、评价水环境污染物迁移参数空间变异性的原理与方法．

坡地土壤溶质迁移参数的空间变异特性

以氯离子为示踪离子,以41m×5m径流小区为研究区域,采用原状土柱法,通过拟合穿透曲线估计了氯离子在坡地土壤中的迁移参数,并利用经典统计学和地统计学理论分析了溶质迁移参数在坡面的空间变异特征.结果表明,平均孔隙流速从坡上到坡下有逐渐增加的趋势,属于中等程度变异,在坡面的变异具有漂移特征;弥散系数在距坡顶0～20m范围内变化不大,20m以下呈逐渐上升趋势,属于中等程度变异,具有空间自相关特征,其自相关特征长度为21m;弥散度从坡上到坡下有逐渐增加的趋势,属于中等程度变异,具有空间自相关特征,其自相关特征长度为10m.

应用边界层方法确定溶质迁移参数的实验研究

本文以时域反射仪 (TimeDomainReflectometry ,TDR)作为溶质锋的探测手段 ,对利用边界层方法确定的参数和利用穿透曲线拟合法确定的参数进行了比较 ,结果表明边界层方法确定的扩散弥散系数 (D)与穿透曲线拟合法确定的扩散弥散系数基本相近 .但 ,因为TDR灵敏度的限制 ,边界层方法确定的延迟因子 (R)大于穿透曲线拟合法确定的延迟因子 .应用边界层方法确定的参数 ,比较了用边界层方法和精确方法预测的浓度剖面图 ,表明边界层方法在一定时间内可以精确地预测污染物的动态浓度分布 .实验结果不仅说明了TDR作为溶质锋探测手段的可行性 。

用同伦方法反演非饱和土中溶质迁移参数

非饱和土中溶质迁移参数反演问题可以归结为非线性算子方程的求解问题.将同伦方法引入该问题的求解,通过构造线性同伦将原问题转化为求解同伦函数最小值的无约束优化问题.同时在分析了同伦参数正则化效应的基础上,提出一种两段同伦参数修正方法.即在求解的初始阶段,根据拟Sigmoid函数调整同伦参数, 以追踪同伦路径,保证计算稳定地进行;在迭代的后期,采用与残差相关的同伦参数修正方法,以抵抗观测噪声对求解的影响.数值算例为求解带有平衡及非平衡吸附效应的一维非饱和土中溶质迁移模型参数反演问题, 计算结果表明了该方法的大范围收敛性及较强的抵抗观测噪声的能力.

地下水中污染物迁移参数的空间变异性及其评价方法

考虑了地下水中污染物迁移参数的空间变异性,分析了污染物迁移参数空间变化的结构性与随机性特征,阐述了分析、评价污染物迁移参数空间变异性的区域化变量理论和方法。

非饱和土壤水与溶质迁移参数间的关系分析

土壤溶质迁移的研究已成为土壤学、生态学、水资源学以及资源与环境科学等相关学科的基础和前沿研究领域。人们试图通过发展简单数学模型来描述土壤溶质迁移过程,以及影响溶质迁移特征因素间内在关系。通过对非饱和土壤水分与溶质迁移参数间的关系分析,探寻简单方法确定相关迁移参数。分析结果表明,参数估算是可行的,可以用该参数进行模型预测。

^(237)Np在饱和浙江红粘土中迁移参数的优化

依据放射性核素237 Np在浙江红土饱和土柱中浓度分布,采用单纯形优化算法对237 Np在饱和浙江红粘土中的迁移参数进行了优化,得到的目标函数χ2为0.45,而用实验测得的迁移参数计算得到的目标函数χ2为0.75。结果表明:迁移参数的优化结果与实验测量结果有很好的一致性,可直接依据核素浓度分布采用优化方法确定核素迁移参数。

Cu-Pt和Pd-Pt二元合金系中fcc相扩散迁移率参数的优化与计算

利用DICTRA(diffusion controlled transformation)软件分别优化了Cu-Pt和Pd-Pt二元合金系中fcc相扩散迁移率参数与温度的函数关系,计算结果和实验数据取得了良好的一致性.基于所优化的参数计算了扩散偶的浓度曲线,计算结果与实验结果比较可知,本研究所优化的扩散迁移率参数具有良好的准确性与有效性.该研究为Cu-Pt和Pd-Pt二元合金系的动力学研究提供了基础数据.

电迁移物理模型参数统计特性提取新方法

随着ＶＬＳＩ技术的发展，电迁移已成为集成电路最主要的失效原因之一，其可靠性评估技术也显得愈加重要。要改进该技术，不仅需要确定可靠性物理模型参数，而且要求掌握参数的统计分布特性。基于电迁移物理模型，提出一种提取参数统计分布特性的新方法。与传统方法相比，此方法不仅所需实验样品少、实验次数少，能真正得到反映样品离散性的物理模型参数的统计分布特性，而且也可用于其它失效机理（如栅氧击穿）物理模型中。

模型参数迁移的改进LS-SVM算法及其应用

针对目标领域样本不足的问题,提出了一种基于模型参数迁移的改进LS-SVM算法.在LS-SVM的基础上加入了迁移项,使得模型既保持了LS-SVM的基本属性,即最大化几何间隔,又能够有效地使用源领域的已知知识.通过图像分类验证了本算法比其他迁移算法具有更好的分类精度.

基于参数迁移的蒙汉神经机器翻译模型

目前在神经网络机器翻译的研究中,大规模的语料库数据是得到理想译文效果的必备条件之一。对于英语、德语等大语种而言,有着丰富的资源和数据供研究人员使用,但是对于很多小语种如蒙古语,其平行语料库数据较少。为了缓解该问题,把参数迁移引入到蒙汉神经机器翻译中,将训练好的英汉神经机器翻译中的模型参数迁移到蒙汉翻译任务中。实验结果表明,迁移学习策略的引入对蒙汉翻译结果有所提升。

基于参数迁移和一维卷积神经网络的海水泵故障诊断

为解决海水泵工况多变、故障数据少、振动特征提取困难等故障诊断问题,该研究利用一维卷积神经网络(one-dimensional convolutional neural network,1DCNN)强大的表征能力自动学习故障特征,并引入参数迁移将源域数据集上的模型参数迁移到目标域故障分类识别任务。首先,构建1DCNN基模型,运用Dropout、正则化、学习率等深度训练技巧防止模型过拟合,在源域数据集上训练得到模型参数;然后,将其模型参数迁移到目标域故障诊断模型,并进行参数微调,构建1DCNN参数迁移模型进行故障识别。试验结果表明,与传统1DCNN相比,1DCNN参数迁移模型能够显著提高模型的收敛速度和分类性能。该方法在三个变工况海水泵数据集上的平均识别准确率高达95.93%,具有较高的识别准确率和较强的泛化能力。

基于样本数据迁移学习的贫资料地区小水电超短期出力建模及发电预测

富集地区的小水电出力建模是保证电网安稳与经济运行、实现大小水电协调的重要措施。位于偏远山区的小水电信息采集困难,建模相关有效数据匮乏,难以借鉴现有的大中型水电出力研究方法。针对贫资料地区小水电,将迁移学习引入其出力建模,基于卷积神经网络(convolutional neural network,CNN)与长短期记忆网络(long short-term memory,LSTM)混合的迁移卷积时空网络(transfer convolutional neural network-long short term memory,TCNN-LSTM),提出了一种样本数据迁移学习方法。以一组具有代表性的丰富水电长期运行数据库为源域;首先,为使迁移前后的任务数据域更相近,提出了跨水电相似数据匹配算法,对源域多维度的长期数据进行时序分割,并计算各子序列与目标水电短期数据的匹配度,筛选高相似片段提纯源域,以提高迁移学习模型的正向迁移率与准确度;然后,利用卷积时空网络(convolutional neural network-long short term memory,CNN-LSTM)对源域进行预训练并提取公共知识,通过网络参数微调(fine-tuning,FT)的方式将预训练模型外推到数据稀缺的目标小水电中,以实现少样本条件下的数据特征迁移学习。最后,以四川某地区为实例验证该算法在贫资料小水电样本数据欠缺情况下的有效性与鲁棒性,相比传统深度学习,本方法将预测均方根误差平均降低16.54%,具有一定工程实用价值。

基于蚁群算法与参数迁移的机器人三维路径规划方法

为解决机器人进行三维路径规划时路径规划效率受算法影响较大的问题,以最短距离为目的,提出了一种基于蚁群算法参数迁移的机器人三维路径规划方法。在使用栅格法建立的机器人三维环境模型中,使用蚁群算法寻找最短路径。针对蚁群算法的参数选择问题,使用参数迁移算法得到最优参数。将已知的环境模型和其对应的蚁群最优参数作为源任务,将源任务映射到高维空间,通过迁移参数连接不同源任务,根据图论的知识建立参数迁移图,将参数迁移图扩展,使其包含目标任务,为随机未知环境模型分配一组蚁群最优参数。仿真实验表明,基于参数迁移的蚁群算法可以快速有效地完成机器人三维路径规划。相比传统的参数选择方法和其他智能优化方法,蚁群参数迁移算法可以大幅减少路径规划所需时间,提高了路径规划效率。

基于参数迁移和卷积循环神经网络的语音情感识别

在语音情感识别研究中,已有基于深度学习的方法大多没有针对语音时频两域的特征进行建模,且存在网络模型训练时间长、识别准确性不高等问题。语谱图是语音信号转换后具有时频两域的特殊图像,为了充分提取语谱图时频两域的情感特征,提出了一种基于参数迁移和卷积循环神经网络的语音情感识别模型。该模型把语谱图作为网络的输入,引入AlexNet网络模型并迁移其预训练的卷积层权重参数,将卷积神经网络输出的特征图重构后输入LSTM(Long Short-Term Memory)网络进行训练。实验结果表明,所提方法加快了网络训练的速度,并提高了情感识别的准确率。

基于图迁移学习的梯级水电发电超短期预测

水电是可再生能源的重要组成部分,精确预测水电站的发电量对电力系统的运行和调度至关重要。针对传统预测方法在处理水电站之间复杂的拓扑结构时存在限制的问题,提出了一种基于图迁移学习的方法,旨在通过水电站的拓扑连接特征提升发电预测的准确性和泛化能力。利用水电站的拓扑结构构建图表示各水电站之间的关联关系,以捕捉水电站的上下游关联特征,采用预训练源水电站数据集并通过图迁移学习来适应目标水电站的发电预测模型。实验结果表明,图迁移学习有助于更好地捕捉水电站间的拓扑特征,提高发电预测精度,减少所需训练样本数量。

基于参数可调均值迁移滤波实现筒子纱的识别检测

为了提高机器视觉对纱筒图像识别检测的准确率,课题组提出了一种参数可调均值迁移滤波算法。在图像采样过程中,先对源图像进行锐化处理,再对图像空间窗口与颜色窗口同时进行卷积操作,筒子纱的边缘轮廓得到完整保留,且通过滤波处理去除图像噪声;采用Canny算子边缘检测,完成对筒子纱的轮廓提取;几何矩计算轮廓质心和横纵比过滤判别筒子纱的放置状态。实验结果表明:该方法在图像处理过程中准确、可靠,能够满足图像识别检测的要求。

基于参数迁移的节假日短期负荷预测方法

在短期负荷预测中,节假日负荷的相关数据通常较少且负荷规律和平常日差异较大,因此节假日负荷预测的精度往往较差。为此,提出了一种基于参数迁移的节假日短期负荷预测方法,采用深度神经网络结合迁移学习以提高节假日负荷预测精度,用某省电网的实际负荷数据进行了仿真分析。结果表明,方法能有效提高节假日负荷预测的准确性。

基于参数迁移和C-LSTM的说话人识别研究

在说话人识别研究中,现有的深度学习方法大多只考虑了语音的空间特征或时序特征,且模型训练时间长、识别准确率低。语谱图是语音信号转换后在时频两域均具有独立特征的特殊图像。为了充分提取语谱图时频两域的情感特征,结合卷积神经网络(Convolutional Neural Networks,CNN)和长短时记忆(Long Short-Term Memory,LSTM)网络的特点,提出了一种基于参数迁移和C-LSTM的说话人识别方法。该方法以语谱图作为网络输入,利用CNN进行训练得到预训练模型并迁移参数,之后将CNN输出的特征矩阵进行转换后输入LSTM进行训练。实验结果表明,该方法提高了声纹识别的准确率,并加快了网络的收敛速度。

基于MMD双模块参数迁移的文本情感分析研究

基于数据驱动的深度学习模型,需要大量的标注数据进行训练,数据的标注需要花费大量资源。迁移学习可将先验知识转移到相邻领域,可降低标注数据稀少情况下模型训练的难度。为提高迁移学习模型分类准确率,在基于参数迁移学习策略的双向LSTM和Attention机制联合模型基础上,提出了一种预训练模型和微调模型相结合的双模块改进策略,通过将预训练模型参数固定,仅调整微调模型的中间层,实现参数的迁移,然后将训练模型和微调模型输出层之间的最大平均差异(maximize mean discrepancy,MMD)值加入损失函数,提高了迁移学习的能力,降低了对标注数据的依赖。