基于ENTROPY-TOPSIS算法的电路实验课程综合成绩评定方法

针对高校实践教学成绩评定环节中存在的不足,该文将基于修正ENTROPY-TOPSIS算法应用到实验课程成绩评定当中,并推导了具体算法原理。同时将该算法与常用权值算法层次分析法以及CRITIC算法在电路实践成绩客观赋权过程中进行了横向对比。结果显示该方法可以为多源异构数据的科学赋权提供理论依据,有效消除因主观因素带来的不合理性,使教师在实验成绩的评定上更加趋向于客观化、科学化。

基于J2EE的企业信息管理系统的构建——以鞋服企业为例

对于鞋服企业而言,信息管理系统的构建是打破数据孤岛,为鞋服产品构建起数字营销一体化的重要举措。本文分析了鞋服企业信息管理系统构建的目的和意义,探讨其设计原则,并分析基于J2EE设计模式的鞋服企业信息管理系统构建的层次结构设计及基本模块,希望能够为鞋服企业的信息管理系统构建提供参考。

基于J2EE的钒钛文化知识库管理平台建设研究

为了更好地管理钒钛文化知识,发挥在钒钛开发过程中形成的数据的价值,结合IDEA集成开发环境,基于Spring Boot、MySQL、MyBatis Plus、Redis、Vue等技术框架,设计开发钒钛文化知识库管理平台,从架构上保证了系统的高内聚、低耦合,使系统具有良好的操作性、维护性和扩展性。平台基于B/S架构,用户通过浏览器接入,可以方便地管理和查阅知识资源。结果表明:钒钛文化知识库管理平台能有效地管理钒钛文化知识资源,提高知识共享和协作效率,利于知识的沉淀和传承。

注意力残差网络结合LSTM的EEG情绪识别研究

基于脑电信号的情感识别已成为情感计算和人机交互领域的一个重要挑战。由于脑电信号中具有时间、空间、频率维度信息,采用结合注意力残差网络与长短时记忆网络的混合网络模型(ECA-ResNet-LSTM)对脑电信号进行特征提取与识别。首先,提取时域分段后脑电信号不同频带微分熵特征,将从不同通道中提取出的微分熵特征转化为四维特征矩阵;然后通过注意力残差网络(ECA-ResNet)提取脑电信号中空间与频率信息,并引入注意力机制重新分配更相关频带信息的权重,长短时记忆网络(LSTM)从ECA-ResNet的输出中提取时间相关信息。实验结果表明:在DEAP数据集唤醒维和效价维二分类准确率分别达到了97.15%和96.13%,唤醒-效价维四分类准确率达到了95.96%,SEED数据集积极-中性-消极三分类准确率达到96.64%,相比现有主流情感识别模型取得了显著提升。

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%。

FeCoNiCrMo high entropy alloy nanosheets catalyzed magnesium hydride for solid-state hydrogen storage

The catalytic effect of FeCoNiCrMo high entropy alloy nanosheets on the hydrogen storage performance of magnesium hydride(MgH_(2))was investigated for the first time in this paper.Experimental results demonstrated that 9wt%FeCoNiCrMo doped MgH_(2)started to dehydrogenate at 200℃and discharged up to 5.89wt%hydrogen within 60 min at 325℃.The fully dehydrogenated composite could absorb3.23wt%hydrogen in 50 min at a temperature as low as 100℃.The calculated de/hydrogenation activation energy values decreased by44.21%/55.22%compared with MgH_(2),respectively.Moreover,the composite’s hydrogen capacity dropped only 0.28wt%after 20 cycles,demonstrating remarkable cycling stability.The microstructure analysis verified that the five elements,Fe,Co,Ni,Cr,and Mo,remained stable in the form of high entropy alloy during the cycling process,and synergistically serving as a catalytic union to boost the de/hydrogenation reactions of MgH_(2).Besides,the FeCoNiCrMo nanosheets had close contact with MgH_(2),providing numerous non-homogeneous activation sites and diffusion channels for the rapid transfer of hydrogen,thus obtaining a superior catalytic effect.

Prediction of the viscosity of natural gas at high temperature and high pressure using free-volume theory and entropy scaling

Eighteen models based on two equations of state(EoS),three viscosity models,and four mixing rules were constructed to predict the viscosities of natural gases at high temperature and high pressure(HTHP)conditions.For pure substances,the parameters of free volume(FV)and entropy scaling(ES)models were found to scale with molecular weight,which indicates that the ordered behavior of parameters of Peng-Robinson(PR)and Perturbed-Chain Statistical Associating Fluid Theory(PC-SAFT)propagates to the behavior of parameters of viscosity model.Predicting the viscosities of natural gases showed that the FV and ES models respectively combined with MIX4 and MIX2 mixing rules produced the best accuracy.Moreover,the FV models were more accurate for predicting the viscosities of natural gases than ES models at HTHP conditions,while the ES models were superior to PRFT models.The average absolute relative deviations of the best accurate three models,i.e.,PC-SAFT-FV-MIX4,tPR-FVMIX4,and PC-SAFT-ES-MIX2,were 5.66%,6.27%,and 6.50%,respectively,which was available for industrial production.Compared with the existing industrial models(corresponding states theory and LBC),the proposed three models were more accurate for modeling the viscosity of natural gas,including gas condensate.

生态系统视角下的高校创新创业教育评价研究--基于CIEES数据的实证分析

随着我国经济社会向高质量发展的转变,创新创业能力已成为推动国家创新发展战略和提升就业质量的关键因素。高校作为培养高层次创新创业人才的重要基地,其创新创业教育正经历着从数量增长向质量提升和结构完善的转变。面对这一变革,如何有效评价创新创业教育及其成效不仅是了解高校创新创业教育的有效手段,也是推进创新创业人才培养模式改革的关键引擎。首先,基于创新创业教育生态系统的视角,确定创新创业教育的影响因素及学习成果的测量指标。随后,基于114所高等院校的131165份大学生问卷调查数据,应用熵值法和BP神经网络模型对高校创新创业教育进行建模评价,进而采用夏普利值分解法来估算创新创业教育要素对学习成果的贡献度。最后,基于分析结果提出优化高校创新创业教育体系的对策建议。

基于PE-CEEMD-SVD的Φ-OTDR信号降噪方法

为实现相位敏感光时域反射仪中相位信号的精确测量,提出了一种基于排列熵算法的互补集合经验模态分解联合奇异值分解的新型降噪方法(PE-CEEMD-SVD)。首先,对含有噪声的相位信号进行CEEMD分解,得到一系列频率不同的IMF分量;然后,将PE算法和相关系数机制相结合,保留较大相关的有用分量,对较小相关的噪声分量使用SVD算法进行二次降噪;最后将两次降噪后保留下来的有用分量进行重构。仿真和实验结果表明,相较于EMD、EEMD和CEEMD降噪方法,该方法可获得更高信噪比的信号,有利于相位信号的精确测量。

CEEMDAN-SE-WT降噪方法在航空发动机燃油流量信号中的应用

燃油流量信号是反映发动机状态和计算飞机排放物排放量的重要信号,但飞机飞行过程中传感器采集信号时不可避免地会受到外界环境以及内部因素干扰。提出一种结合样本熵(sample entropy,SE)的完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)与小波变换(wavelet transform,WT)的联合降噪方法。首先使用CEEMDAN对燃油流量信号进行分解得到本征模态分量,利用样本熵筛选含噪分量,并用相关系数与方差贡献率进行复核。对于含噪分量使用小波阈值降噪进行处理。最后将未处理的模态分量和完成降噪的模态分量重构得到最终燃油流量信号。通过与其他方法比较,CEEMDAN-SE-WT方法拥有最高信噪比为85.287,降噪后燃油消耗总量与飞机总重变化最为接近,可以认为该方法较大程度保留了燃油流量信号中的有效特征,为后续计算民机排放物排放总量提供了良好的数据支持。

项目驱动制在Java EE框架开发课程中的应用研究

传统Java中EJB的开发模式效率低下,逐渐被框架技术所取代。在高校教学中,Java EE框架对于初学者来说难度较大,为此在Java EE框架开发课程中引入项目驱动的教学模式。采用分阶段任务方式进行各个框架的学习,全机房授课以提高学生的实践动手能力。研究结果表明,项目驱动制能够提高教学效果,锻炼学生的实践能力,提升学生计算机软件开发素养。

基于ISM-AHP-Entropy航空公司风险因素研究

针对航空公司风险因素研究,引入ISM-AHP-Entropy综合评价方法对风险因素进行评价。构建了风险因素指标体系,利用解析结构模型(ISM)将因素指标分为表层和深层致因,构建结构模型;根据问卷结果,用AHP-Entropy求出综合权重,结果表明人因和管理因素对风险影响最为显著;进一步运用AHP-Entropy综合法分别计算表层和深层致因权重并分析,结果表明表层致因中机组资源管理水平、签派员应急处置能力影响最为显著,深层致因中安全规章方针的制定情况、应急管理培训与实施情况影响最为显著;从多个现实角度出发,结合CBTA理念,为航空公司降低风险、提高安全意识与水平提出多条建议,可供航空公司参考采纳。

基于Cov‑AHP的EES系统指标体系构建及对人兽冲突影响测度

在野生动物及其栖息地保护的进程中,人兽冲突事件时有发生,探究人兽冲突的影响因素并提出相应建议是促进人与自然和谐共生的必然要求。本研究以北京市周边地区2009—2017年经济、生态和社会系统(EES系统)的22个变量入手,基于协方差-层次分析法(Cov‑AHP)建立了EES系统指标评价体系。为了探究EES系统中人兽冲突的影响因素,建立多元线性回归模型,运用AIC准则筛选并分析对人兽冲突具有显著影响的变量。结果显示:北京市周边地区人兽冲突形式主要表现为损毁农田和果园,受损失最小的是平谷区,最大的是门头沟区和延庆区,冲突高峰期为每年的8—9月。经济系统中,第二产业增长率、第二产业占比、政府一般预算收入、粮食总产量的增长会加剧人兽冲突的损失;生态系统中,退耕造林面积越大、距水系距离越近,越容易造成人兽冲突损失,而距林地距离越近,越不容易造成人兽冲突损失;社会系统中,恩格尔系数、公共图书馆总藏量会加剧人兽冲突的损失,而防护措施占比则相反。因此,在发展经济的同时,应当优化当地的产业结构,加强生态文明建设,提高当地居民对野生动物及栖息地保护的认知。在推进退耕还林工程的过程中,应该合理地恢复当地的生态环境,避免矫枉过正,与野生动物和谐相处,并建立健全防护措施,减少野生动物对人类带来的负面影响。本研究侧重在EES复合系统中探究人兽冲突的主要影响因素,为减少人兽冲突的损失,促进人与自然和谐共生提供理论依据和数据支持。

基于小波包分解与CEEMDAN能量熵的水电机组振动信号特征提取

针对水电机组振动信号非平稳、非线性及噪声问题,提出一种基于自适应噪声完备经验模态分解(CEEMDAN)与能量熵结合的特征提取方法,首先对采集的振动信号进行小波包降噪处理,然后对降噪后信号进行CEEMDAN分解,运用相关系数法筛选有效固有模态函数(IMF)并计算其能量熵,由此构建特征向量集,最后将其输入到海洋捕食者优化支持向量机算法(MPA-SVM)进行模式识别。基于模拟信号、实测信号验证所提特征提取方法的有效性,并与其他方法作对比。结果表明,基于小波包分解与CEEMDAN能量熵的特征提取方法能准确提取特征,有效区分机组不同状态,为工程领域提供了应用价值。

一种灰色关联分析优化ICEEMDAN的VP倾斜仪信号降噪模型

VP倾斜仪固体潮信号受仪器监测复杂环境限制,多含有大量环境噪声。为获得真实固体潮曲线,提出一种基于灰色关联分析优化改进的自适应噪声完备集合经验模态分解(ICEEMDAN)VP倾斜仪信号降噪模型(GRA-ICEEMDAN)。该方法首先将含噪信号进行ICCEMDAN处理,得到若干个固有模态函数(IMF),并依次排列与标记;然后基于这些IMF分别计算相关系数、互信息、R^(2)、Adj-R^(2)、MSE、SSE、RMSE、MAE、MAPE、样本熵等10个评价指标值,构建IMF可信度评价指标矩阵;最后借助灰色关联分析(GRA)计算各评价指标与不同IMF之间的关联系数和关联度,依据关联度大小对各个IMF进行排序,将排名靠前的IMF进行线性重构,即可完成信号降噪。仿真去噪实验和实测去噪实验均表明,GRA-ICEEMDAN模型优于卡尔曼滤波、70阶低通FIR滤波、Savitzky-Golay等经典降噪模型,能显著区分噪声成分和有效成分,原始信号分解后的重构误差与信号损失极小,可推广至其他仪器的复杂信号降噪中。

基于ICEEMDAN和分布熵的SS-Y伸缩仪信号随机噪声压制方法

结合改进的自适应噪声完备集合经验模态分解(ICEEMDAN)与分布熵(DistEn),提出一种无需自定义算法参数、去噪效果较好的伸缩仪信号随机噪声压制方法。首先将伸缩仪信号进行ICEEMDAN处理,得到若干个本征模态函数(IMF);然后计算各IMF分量的分布熵值,根据不同分布熵值的大小和表征的分量信号混乱程度,有针对性地对各IMF进行取舍;最后进行线性重构。设计仿真信号去噪实验和SS-Y伸缩仪信号去噪实验,结果表明,基于ICEEMDAN-DistEn去噪模型的伸缩仪信号重构还原度较好,去噪效果显著,明显优于CEEMDAN-DistEn、小波去噪和卡尔曼滤波等去噪模型。

基于J2EE架构的岩土试验数据管理平台的设计与应用

为解决岩土试验数据采集和应用数据分散、人工处理效率低、非标数据难以建模等问题,运用流程重组、物联网、数据挖掘等多种现代信息技术,对岩土试验数字化工程进行了整体规划和实施,对岩土试验数据管理平台的业务架构和功能架构进行了设计,基于J2EE(Java 2 Platform Enterprise Edition)架构研发了岩土试验数据管理平台和试验数据中心。岩土试验中通过物联网二维码的应用,样本识别准确率和效率得到了提升,岩土试验的总体周期大幅缩短。通过压力试验机升级改造和软件集成,单轴抗压强度试验效率提升了50%以上。岩土试验数据管理平台的建立和升级改造,提升了岩土试验工作效率、岩土试验数据的利用率和测试数据管理水平,获得了良好效益。

Short-term prediction of photovoltaic power generation based on LMD-EE-ESN with error correction

Considering the instability of the output power of photovoltaic(PV)generation system,to improve the power regulation ability of PV power during grid-connected operation,based on the quantitative analysis of meteorological conditions,a short-term prediction method of PV power based on LMD-EE-ESN with iterative error correction was proposed.Firstly,through the fuzzy clustering processing of meteorological conditions,taking the power curves of PV power generation in sunny,rainy or snowy,cloudy,and changeable weather as the reference,the local mean decomposition(LMD)was carried out respectively,and their energy entropy(EE)was taken as the meteorological characteristics.Then,the historical generation power series was decomposed by LMD algorithm,and the hierarchical prediction of the power curve was realized by echo state network(ESN)prediction algorithm combined with meteorological characteristics.Finally,the iterative error theory was applied to the correction of power prediction results.The analysis of the historical data in the PV power generation system shows that this method avoids the influence of meteorological conditions in the short-term prediction of PV output power,and improves the accuracy of power prediction on the condition of hierarchical prediction and iterative error correction.

Degree-Based Entropy Descriptors of Graphenylene Using Topological Indices

Graph theory plays a significant role in the applications of chemistry,pharmacy,communication,maps,and aeronautical fields.The molecules of chemical compounds are modelled as a graph to study the properties of the compounds.The geometric structure of the compound relates to a few physical properties such as boiling point,enthalpy,π-electron energy,andmolecular weight.The article aims to determine the practical application of graph theory by solving one of the interdisciplinary problems describing the structures of benzenoid hydrocarbons and graphenylene.The topological index is an invariant of a molecular graph associated with the chemical structure,which shows the correlation of chemical structures using many physical,chemical properties and biological activities.This study aims to introduce some novel degree-based entropy descriptors such as ENTSO,ENTGH,ENTHG,ENTSS,ENTNSO,ENTNReZ1,ENTNReZ2 and ENTNSS using the respective topological indices.Also,the above-mentioned entropy measures and physico-chemical properties of benzenoid hydrocarbons are fitted using linear regression models and calculated for graphenylene structure.

CEEMDAN-WPE-CLSA超短期风电功率预测方法研究

提出了一种结合自适应噪声完全集合经验模态分解、加权排列熵、卷积神经网络、长短期记忆网络和自注意力机制的超短期风电功率预测方法。首先,利用自适应噪声完全集合经验模态分解将原始风电功率时间序列自适应分解为一系列的模态分量,降低原始序列的非线性和波动性;其次,根据加权排列熵计算各模态分量间的相似性并对相似的分量进行重组,以修正自适应噪声完全集合经验模态分解的过度分解问题,使得修正后的模态分量更具规律性;最后,将重组后的分量输入卷积长短期记忆网络进行时序建模,并利用自注意力机制对卷积长短期记忆网络的神经元权重进行重新分配,提高了卷积长短期记忆网络对输入特征不确定性的适应能力。在此基础上,明确了自注意力机制和自适应噪声完全集合经验模态分解、加权排列熵在风电功率预测中的作用机制,以及风电功率信号包含的重要物理信息,证明了自适应噪声完全集合经验模态分解、加权排列熵以及自注意力机制在风电功率信号模态分解和长短期记忆网络隐层输出权重分配中的有效性。