Experimental study of current loss of a single-hole post-hole convolute on the QG I generator

The post-hole convolute(PHC),which is used to transport and combine the pulse power flux,is a key component in huge pulsed power generators.Current loss at the PHC is a challenging problem for researchers.To explore a method of reducing the current loss,a single-hole PHC was designed for experiments on the current loss on the Qiang Guang I generator.The experimental results showed that the current loss at the single-hole PHC is related to the distance/between the vicinity of the cathode hole and the surface of the downstream side of the post.Meanwhile,a single-hole PHC with a blob cathode hole transmitted current more effectively than the PHC with a circle cathode hole.The relative current loss at the single-hole PHC with the cathode coaled w ith gold foil was about 30%-50% of that with the cathode coated with nickel and titanium foil.The gap closing speed was also obtained from the current waveforms in the experiments.The speed was 5.74-14.52 cmμs 1 which was different from the classical plasma expansion velocity of 3 cmμs 1.

On Fatou Type Convergence of Convolution Type Double Singular Integral Operators

In this paper, some approximation formulae for a class of convolution type double singular integral operators depending on three parameters of the type(T_λf)(x, y) = ∫_a^b ∫_a^b f(t, s)K_λ(t-x,s-y)dsdt, x,y ∈(a,b), λ ∈ Λ [0,∞),(0.1)are given. Here f belongs to the function space L_1( <a,b >~2), where <a,b> is an arbitrary interval in R. In this paper three theorems are proved, one for existence of the operator(T_λf)(x, y) and the others for its Fatou-type pointwise convergence to f(x_0, y_0), as(x,y,λ) tends to(x_0, y_0, λ_0). In contrast to previous works, the kernel functions K_λ(u,v)don't have to be 2π-periodic, positive, even and radial. Our results improve and extend some of the previous results of [1, 6, 8, 10, 11, 13] in three dimensional frame and especially the very recent paper [15].

Numerical Methods for Discrete Double Barrier Option Pricing Based on Merton Jump Diffusion Model

As a kind of weak-path dependent options, barrier options are an important kind of exotic options. Because the pricing formula for pricing barrier options with discrete observations cannot avoid computing a high dimensional integral, numerical calculation is time-consuming. In the current studies, some scholars just obtained theoretical derivation, or gave some simulation calculations. Others impose underlying assets on some strong assumptions, for example, a lot of calculations are based on the Black-Scholes model. This thesis considers Merton jump diffusion model as the basic model to derive the pricing formula of discrete double barrier option;numerical calculation method is used to approximate the continuous convolution by calculating discrete convolution. Then we compare the results of theoretical calculation with simulation results by Monte Carlo method, to verify their efficiency and accuracy. By comparing the results of degeneration constant parameter model with the results of previous models we verified the calculation method is correct indirectly. Compared with the Monte Carlo simulation method, the numerical results are stable. Even if we assume the simulation results are accurate, the time consumed by the numerical method to achieve the same accuracy is much less than the Monte Carlo simulation method.

基于SSA-CNN模型的双排开孔圆筒防波堤透射系数预测

双排开孔圆筒防波堤是一种新型环境友好型防波堤,对其消浪特性的研究具有重要工程意义。随着人工智能的发展,基于机器学习技术求解防波堤水动力学问题成了一种新的研究范式。本文提出基于麻雀搜索算法(Sparrow Search Algorithm,SSA)优化卷积神经网络(Convolutional Neural Network,CNN)模型,实现对双排开孔圆筒防波堤透射系数的智能优化预测。结果表明:(1)确定波高、波周期、波长、波速、排间距、开孔率、水深为影响透射系数的关键因子;(2)当SSA-CNN模型的种群数量为10时,对波浪透射系数预测的R2值达到0.9909,平均相对误差相比单一的CNN模型降低了5.07%。研究成果为利用神经网络研究波浪透射问题提供了一种新的优化预测模型。

区域感知校准的自适应人群计数与定位方法

密集场景下准确人群计数和定位,对于保障公共安全具有重要的意义。针对密集人群计数与定位易受人群分布不均、背景干扰等因素的影响,导致计数定位不准确的问题,提出一种基于区域感知校准的自适应人群计数与定位方法。通过构建金字塔结构提取人群图像的多尺度特征,增强特征关联性,并设计可变形几何自适应模块学习不同分布的人群几何特征,以增强对人群分布不均的适应性。在此基础上,提出区域感知和区域校准模块,提取全局上下文特征和区域特征,克服了背景干扰造成的定位与计数不准问题。接着通过双分支卷积预测通路,输出生成点的预测位置和置信度分数,以提高网络的定位与计数精度。最后提出改进二分图最大匹配Hopcroft-Karp算法对真值点与预测点进行匹配校准,从而完成人群定位与计数。实验结果表明,所提方法分别在公开的ShanghaiTech Part A和Part B数据集、NWPU-Crowd数据集、UCF-QNRF数据集上评价指标均优于对比算法,且定位精度较P2Pnet分别提高了3.5%、6.1%、11.3%和8.1%,能够有效提高人群定位与计数的准确度。

基于双卷积链的贴标机械手产品中心视觉定位方法

目前对于机械手产品视觉中心的定位主要采用的是被动双目立体视觉定位法,但由于缺乏场景坐标的匹配与预测,导致其视觉定位精度较差。为此,提出基于双卷积链的贴标机械手产品视觉中心定位方法。首先,对相机的内置参数与外置参数进行标定,构建视觉定位场景坐标系。然后,利用卷积神经网络中的双卷积网络结构,对视觉中心场景坐标进行预测。最后,通过匹配像素坐标与图像特征点实现贴标机械手产品中心视觉定位。在实验中,在40 mm×40 mm×40 mm小规模空间场景和180 mm×180 mm×180 mm大规模空间场景中对所提方法进行了定位精度的检验。实验结果表明,采用所提方法进行贴标机械手产品中心视觉定位时,定位方差较小,具备较为理想的定位精度。说明所提方法在机械手产品的定位领域具有较好的应用前景,有助于实现工业自动化生产。

数控机床旋转轴多自由度静/热误差同步测量与建模

针对现有的数控机床旋转轴误差测量与建模方法仅考虑多自由度静态几何误差或单自由度热误差单独作用的影响,未考虑几何误差和热误差耦合影响的问题,提出了一种基于球杆仪的数控机床旋转轴多自由度静/热误差同步测量与建模方法。首先基于齐次坐标变换建立球杆仪杆长变化模型,再基于该模型使用非齐次线性方程组建立静/热误差辨识模型;其次设计了适应多自由度静/热误差同步测量的球杆仪安装模式以缩短测量时间,减少热逸散对测量结果的影响;再次基于卷积长短期记忆神经网络(CNN-LSTM)建立旋转轴多自由度静/热误差预测模型;最后在数控蜗杆砂轮磨齿机的C轴上进行误差测量实验,对多种转速下的旋转轴多自由度误差进行快速辨识,并通过CNN-LSTM静/热误差预测模型对多自由度误差和球杆仪杆长变化进行预测,以验证所建模型的准确性。

融合双图卷积与门控线性单元的方面级情感分析模型

方面级情感分析旨在确定句子中给定方面的情感极性。现有的基于图神经网络的方面级情感分析存在以下2个方面的不足:忽略了不同类型的句法依存关系和语料库中的词共现信息,以及不能准确地控制情感信息流向给定方面。针对以上问题,提出融合双图卷积与门控线性单元(GLU)的方面级情感分析模型。该模型首先采用全局词汇图来编码语料库中的词共现信息,在词汇图和句法图上利用分类概括结构来区分各种词共现频率和不同类型的句法依存关系。然后分别在2个图上进行双层卷积,继而使用Bi Affine变换模块作为桥梁,在2个图卷积网络模块之间有效地交换相关特征,从而有效地融合句法信息和词汇信息。最后利用GLU控制情感信息流向给定方面,使模型可以更专注地分析与该方面相关的情感信息,避免不相关的情感信息影响对给定方面的情感分析结果,从而提高分析的准确性。实验结果表明,在Twitter、Laptop14、Restaurant15和Restaurant16数据集上,该模型的准确率分别达到74.82%、77.61%、82.29%和89.81%,F1值分别达到72.97%、73.52%、67.72%和73.37%,方面级情感分类效果明显优于其他基线模型。

基于深度强化学习的测井曲线自动深度校正方法

针对传统测井曲线深度校正需要手动调整曲线,而对于多口井的深度校正工作量巨大,需要大量人工参与,且工作效率较低的问题,提出一种多智能体深度强化学习方法(MARL)来实现多条测井曲线自动深度匹配。该方法基于卷积神经网络(CNN)定义多个自上而下的双滑动窗口捕捉测井曲线上相似的特征序列,并设计一个智能体与环境的互动机制来控制深度匹配过程。通过双深度Q学习网络(DDQN)选取一个动作来平移或缩放测井特征序列,并利用反馈的奖励信号来评估每个动作的好坏,以学习到最优的控制策略达到提升深度校正精度的目的。研究表明,MARL方法可以自动完成多口井、不同测井曲线的深度校正任务,减少人工干预。在油田实例应用中,对比分析了动态时间规整(DTW)、深度Q学习网络(DQN)和DDQN等方法的测试结果,DDQN算法采用双网络评估机制有效改进了算法的性能,能够识别和对齐测井曲线特征序列上更多的细节,具有较高的深度匹配精度。

双支路注意力特征融合的卷积稀疏编码目标检测

针对现有目标检测模型在实际运用中会受到各种噪声的影响而导致性能退化的问题,提出一种双支路注意力特征融合(double branch attention feature fusion,DBAFF)的方法。基于CenterNet的结构设计,引入卷积稀疏编码(convolutional sparse coding,CSC)去噪模块。通过双支路互补学习,自适应选择不同模态的有效信息,使融合特征达到最优化,有效解决该类模型的退化问题。实验结果表明,该方法在噪声数据集VOC-Nosiy上mAP50、mAP75、mAP性能分别达到了57.9%、29.8%、24.5%,检测速度FPS达到111帧,综合性能优于原网络和仅添加卷积稀疏编码的去噪网络。

基于双特征提取网络的车道线识别方法

为了提高复杂环境下网络的特征提取能力,提出一种双特征提取网络的车道线识别方法。首先搭建双特征提取网络,减少细节语义信息的丢失,强化模型面对复杂环境的识别能力。然后使用改进的空洞空间金字塔池化结构增大感受野,提取更为丰富的上下文信息,并结合深度可分离卷积,降低模型的计算量。最后构造通道注意力模块,重点关注有效信息较多的特征通道。经实验验证,所提方法在Tusimple数据集上准确率可达97.7%,mIoU为76.2%,单图识别时间为26.24 ms,在复杂环境下进行车道线识别时,鲁棒性较好。

Automatic depth matching method of well log based on deep reinforcement learning

In the traditional well log depth matching tasks,manual adjustments are required,which means significantly labor-intensive for multiple wells,leading to low work efficiency.This paper introduces a multi-agent deep reinforcement learning(MARL)method to automate the depth matching of multi-well logs.This method defines multiple top-down dual sliding windows based on the convolutional neural network(CNN)to extract and capture similar feature sequences on well logs,and it establishes an interaction mechanism between agents and the environment to control the depth matching process.Specifically,the agent selects an action to translate or scale the feature sequence based on the double deep Q-network(DDQN).Through the feedback of the reward signal,it evaluates the effectiveness of each action,aiming to obtain the optimal strategy and improve the accuracy of the matching task.Our experiments show that MARL can automatically perform depth matches for well-logs in multiple wells,and reduce manual intervention.In the application to the oil field,a comparative analysis of dynamic time warping(DTW),deep Q-learning network(DQN),and DDQN methods revealed that the DDQN algorithm,with its dual-network evaluation mechanism,significantly improves performance by identifying and aligning more details in the well log feature sequences,thus achieving higher depth matching accuracy.

融合图卷积网络的表格图像结构识别模型

针对表格图像很难精确从文档中提取出表格结构的问题,提出一种融合图卷积网络的双分支识别网络模型。以ResNet+FPN为主干网络,引入矩阵分解头代替注意力机制重整全局特征。设计一个双分支网络以获取表格单元格间空间位置和逻辑邻接信息。以GCN感知单元格间连接关系辅助输出位置信息和逻辑邻接关系。实验结果表明,在多个数据集上相比基线模型F1指标平均提升10.6%,F(beta=0.5)指标提升18.6%。在TableGraph-24K数据集上,相比最近的TGRNet模型在F1指标上提升3.1%,F(beta=0.5)指标平均提升2.9%。

基于双重频点排序的卷积混合盲源分离

针对排序不确定性对卷积混合盲源分离性能的影响,文章提出了一种双重频点排序卷积混合盲源分离算法。首先对卷积混合信号进行短时傅里叶变换,在频域的各个频点处建立瞬时混合模型进行独立分量分析,对各频点分离结果根据带有影响因子的频点相似性(IF-Murata排序)进行第一次排序置换。然后根据信号能量大小对已排序频点进行第二次频点优化。最后通过对比排序中频点相关性可以看出,双重频点排序方法能有效提高频点排序的准确率,并筛选出最优的排序结果,进而提高信号分离性能。仿真结果表明,双重频点排序方法得到的源信号的干扰比、源信号的失真比和系统误差与IF-Murata排序算法相比,均有所提升,相似系数平均提高约0.1。仿真结果验证了算法的有效性。

真空预压法处理双层软土地基沉降特性分析及预测

由人工填土层和原始海相沉积土层组成的双层软土地基不同于常规地基形式,其沉降预测结果离散性大。天津滨海地区某工程地基为双层软土地基,采用真空预压法进行地基处理,通过现场监测揭示了双层软土地基沉降的特性。在沉降预测方面,利用卷积神经网络建立了双层软土地基沉降预测模型,并与双曲线拟合法进行比较,研究结果显示,该方法同样可以准确预测地基沉降变形,满足工程建设需求。

基于注意力机制及多尺度特征融合的图像去雨

针对去除不同雨纹的同时恢复图像背景细节的问题,提出一种基于注意力机制及多尺度特征融合的图像去雨方法。该网络采用双分支结构,分别用于雨纹去除和背景恢复。雨纹提取模块采用跨空间学习的多尺度注意力机制,通过多尺度上下文信息捕捉、均值计算、权重计算和整体信息综合,帮助改善雨纹去除任务中的图像质量,提高去雨效果。背景恢复模块包括多尺度特征提取部分和特征融合部分,采用多个扩张卷积层,每个卷积层具有不同的扩张因子,以扩大感受野,提取多尺度的图像背景特征;使用大核卷积对提取的多尺度特征信息进行融合调整,从而更准确地进行背景恢复。在多个公开数据集上的实验结果表明:所提方法能够有效去除真实雨图像场景中的雨纹,同时可以更好地恢复图像背景的细节信息。

软弱围岩双护盾TBM施工卡机脱困处理技术

双护盾TBM受自身工法特点制约,在实际应用中遇到不良地质后会造成不同程度的卡机。以南亚某国引水隧洞施工为例,对双护盾TBM在软弱围岩中被卡脱困处理情况进行介绍和分析,提出卡机脱困处理的方法和措施。

Gaussian shaper for nuclear pulses based on multilevel cascade convolution

For nuclear measurements,it is necessary to obtain accurate information from nuclear pulses,which should be obtained by first shaping the pulses outputted by the detectors.However,commonly used pulse-shaping algorithms have certain problems.For example,certain pulse-shaping algorithms have long dead-times in high-counting-rate environments or are difficult to achieve in digital systems.Gaussian signals are widely used in analog nuclear instruments owing to their symmetry and completeness.A Gaussian signal is usually implemented by using a multilevel S–K filter in series or in parallel.It is difficult to construct a real-time digital Gaussian filter for the complex Gaussian filtering algorithm.Based on the multilevel cascade convolution,a pulse-shaping algorithm for double exponential signals is proposed in this study,which,in addition to double exponential signals,allows more complex output signal models to be used in the new algorithm.The proposed algorithm can be used in high-counting-rate environments and has been implemented in an FPGA with fewer multipliers than those required in other traditional Gaussian pulse-shaping algorithms.The offline processing results indicated that the average peak base width of the output-shaped pulses obtained using the proposed algorithm was reduced compared with that obtained using the traditional Gaussian pulse-shaping algorithm.Experimental results also demonstrated that signal-to-noise ratios and energy resolutions were improved,particularly for pulses with a low energy.The energy resolution was improved by 0.1–0.2%while improving the counting rate.

基于动态注意力网络的图像超分辨率重建

针对图像超分辨率算法在具有不同重要性的通道和空间域上采取相同的处理方式,导致计算资源无法集中利用到重要特征上的问题,提出基于动态注意力网络的图像超分辨率算法.该算法改变了现有均等处理注意力机制的方式,通过构建的动态注意力模块对不同的注意力机制赋予动态学习的权重,以获取网络更需要的高频信息,重建高质量图片;通过特征重用的方式构建双蝶式结构,充分融合2个注意力分支的信息,弥补不同注意力机制间所缺失的特征信息.在Set5、Set14、BSD100、Urban100和Manga109数据集上的模型评估结果表明,相较于其他主流超分辨率算法,本研究所提算法整体性能表现更好.当放大因子为4时,相较于次优算法,所提算法在5个公开测试集上的峰值信噪比分别提升了0.06、0.07、0.04、0.15、0.15 dB.

基于属性约简重构的自校正卷积记忆风速预测

考虑风速属性及时空相关性的预测建模是规模化风电并网的研究热点,该文基于属性约简重构提出一种自校正卷积记忆超短期预测模型。利用快速相关性滤波对风速序列关联属性进行排序筛选,据此改进K-mediods方法对风电场机群聚类,基于改进灰色关联度分析簇内风机的风速时空相关性,划分典型风机多阶邻域,并重构风速信息矩阵。然后,将重构的时空多维信息输入卷积双层记忆网络,通过卷积神经网络进行风速信息降维与空间特征提取,再由双层记忆神经网络进行多位置多步超短期预测,同时基于反向误差传播原理在记忆网络中引入自校正误差修正单元。最后对实际风电场的风速进行预测,验证所提方法的有效性。