课程文献中心 更多>>

关键词： 低涡暴雨   MVEOF分解   SANDRA客观分型   集合动力因子  

摘要： 低涡是造成浙江区域性暴雨(简称低涡暴雨)的重要天气系统，为了解浙江低涡暴雨的大气环流分型及不同环流型的高相关集合动力因子，基于2016—2023年浙江及周边地区格点日降水量和NCEP-FNL再分析资料，利用多变量经验正交分解法(Multi-Variable Empirical Orthogonal Functions, MVEOF)及模拟退火算法和多元随机化技术相结合(Simulated ANnealing and Diversified RAndomization, SANDRA)的客观分型法对浙江44个低涡暴雨日的环流场进行分型，并优选不同环流型低涡暴雨的主要集合动力因子。结果表明，两种分型方法都将浙江低涡暴雨日分为暖区型、锋面型和回流型，以暖区型发生频次最多，锋面型次之，回流型最少。各环流型低涡多在浙江中西部造成降水，以整层一致西南风的暖区型低涡暴雨强度及落区最大。不同环流型造成浙江暴雨的外部条件不同。暖区型下，中尺度类的集合动力因子是低涡暴雨的优选因子；锋面型下，优选因子除包含中尺度类的因子外，低涡造成的大尺度水汽和垂直运动与暴雨发生也有较大关联；回流型下，中尺度类的因子相关性减弱，优选因子为大尺度散度相关量。

摘要： 患者 女,54岁.体检发现左肾占位,血红蛋白76 g/L,尿常规及其他实验室检查未见异常. 影像学表现:左肾中部、下极分别见病灶,左肾中部肿块体积大,以肾髓质为中心侵入肾盂、肾盏及近端输尿管,增强CT呈轻度均匀强化(图1),MR T2WI呈不均匀低信号,内部见斑片状T2 高信号坏死(图2),扩散加权成像(diffusion weighted imaging,DWI)呈明显扩散受限(图3);左肾下极结节突出肾轮廓,增强CT皮质期呈明显均匀强化(图4),实质期强化程度减低(图5),MR T2WI呈不均匀低信号(图6).

关键词： 自适应平均峭度   双树复小波包变换   滚动轴承   包络分析   故障诊断  

摘要： 轮对轴承早期故障所产生的微弱周期性冲击成分极易淹没在轮轨激励所产生的复杂背景噪声之中，进而使得其早期故障特征难以有效提取。提出了一种基于自适应谱平均峭度图的轮对轴承故障诊断方法，该方法首先通过双树复小波包变换对原始信号进行分解以得到不同分解层数下的一系列节点信号。其次，对节点信号的时域波形取绝对值并通过希尔伯特变换计算其包络，以避免该节点信号时域波形中局部极大值聚集对其子片段分割的影响。再次，将与节点信号包络各局部极大值最接近的局部极小值作为子片段的分割边界，并将不同子片段分割数量下计算得到的一系列平均峭度记为初始平均峭度。然后，取各节点信号所有初始平均峭度中的最大值记为其自适应平均峭度。最后，将所有节点信号中与最大自适应平均峭度相对应的节点信号作为最佳节点并对其进行包络谱分析。分别采用小比例转向架试验台数据及全尺寸货车轮对轴承试验数据对本文所提方法的有效性进行验证，案例分析结果表明本文所提方法可以清晰地识别到轴承的理论故障频率并同时观察到更多的倍频成分，从而在强背景噪声干扰下自适应地诊断出轮对轴承的故障类型。综上所述，所提方法在提取轮对轴承故障特征及其倍频分量的数量上有着明显优势，具有一定的工程应用价值。

关键词： 诗经   纂图互注毛诗   通俗化   重言重意  

摘要： 台北故宫博物院藏有《纂图互注毛诗》一部，内容囊括经文、《毛传》《郑笺》、陆德明音义。南宋时期，科举、教育、雕版印刷业都迅速发展，促进了《诗经》的通俗化传播。该书为迎合士子考试的需要，体现出对《诗经》解读的通俗化倾向，主要表现在：将《毛诗举要图》附在《纂图互注毛诗》卷首，将陆德明《经典释文》之《毛诗》音义附于《毛传》《郑笺》之后，又于文中添加重言、重意、互注等提示。

关键词： 初中数学   问题解决   单元整体教学   二次函数  

摘要： 随着教育改革的深入推进,对学生核心素养和综合能力的培养成为教育重点。初中数学作为基础学科,传统教学方式已难以满足需求。碎片化的知识讲授让学生难以把握知识间联系,解决实际问题能力薄弱。“二次函数”知识抽象且应用广泛,开展基于问题解决的单元整体教学研究,对优化教学、提升学生数学能力意义重大。文章聚焦初中数学教学领域,以“二次函数”单元为切入点,深入研究基于问题解决的单元整体教学,阐述该教学模式在提升学生数学思维、解决问题能力及知识系统性掌握方面的作用,为初中数学教学改革提供理论依据与实践参考。

关键词： 智能合约   深度学习   图像处理   整数溢出   交易延迟  

摘要： 针对智能合约漏洞问题导致的安全事件频发,现有智能合约漏洞检测工具在语言种类上的不择，特别是缺乏对C/C++智能合约源码级别的漏洞检测问题，提出了使用基于深度学习方法来对C/C++智能合约进行漏洞检测，并设计了一种基于深度学习的函数体切片级C/C++智能合约漏洞检测工具。首先，该工具从源码的角度入手，引入了深度学习在图像处理领域中的目标区域概念，并将其应用于智能合约漏洞检测。其次，该工具的实现主要分为四个步骤：第一步，漏洞函数体切片提取，旨在从源码中提取完整的函数体信息；第二步，漏洞切片标记，即对提取到的函数体切片进行标注；再次，编码漏洞切片为向量，将函数体切片转化为深度学习所需的输入格式；继而，进行向量标记并训练，完成模型的训练过程。最后，通过分析C/C++智能合约产生漏洞的原因，定义了五种漏洞类型：整数溢出、权限控制、代币转移、内存管理和交易延迟，并专门构建了一个包含5024个C/C++智能合约源码的数据集，解决了C/C++智能合约源码缺乏开源数据集和统一漏洞类型定义的问题。该工具通过使用深度学习技术对C/C++智能合约源码进行漏洞检测，能够减少对专家的依赖。进一步分析发现，该工具相较于同种类型的检测工具，拥有更高的漏洞检测精度和范围，并且由于使用深度学习，通过不断的学习训练，该工具能够不断的提升检测范围和精确度。实验结果表明，该工具与同样使用深度学习技术的GNNSCVulDetector工具对比，在检测范围上，该工具能够检测到五种类型漏洞，而GNNSCVulDetector只能够检测到一种；在精确度上，该工具比GNNSCVulDetector高了14个百分点。

关键词： 并发图分析   缓存架构   数据局部性   缓存抖动   吞吐率  

摘要： 随着图计算技术蓬勃发展，现有图平台上通常运行着大量并发图分析任务以获得数据背后价值，广泛应用于智能教育、公共管理和新闻媒体等领域。然而，目前图计算系统大多为执行单个图分析任务设计，在支持并发图分析任务时面临大量冗余数据访问。尽管有一些工作已经观察到并发图分析任务执行时内存中存在大量冗余图数据，并试图利用其中的时间和空间局部性共享底层图数据减少冗余数据访问，然而忽视了私有状态数据更新访问的数据局部性，依然面临着缓存利用率低的问题，导致系统吞吐率低。为此，本文提出了面向并发图分析的局部性感知的缓存管理策略CCG，以充分感知并发图分析任务之间的时间和空间局部性，减少冗余数据访问和同步开销。具体而言，该策略通过高效缓存数据的更新并以增量的方式合并冗余更新，利用并发图分析任务的数据局部性，实现内存数据的高效批量更新，减少数据访问开销和避免缓存抖动，有效提升并发图分析任务吞吐率。同时，高效利用多级缓存进行分层缓冲与合并，让并发图分析任务在更新访问私有数据时避免同步开销和锁开销，进一步提升系统吞吐率。实验结果显示，在用目前最新的并发图计算系统Glign运行并发图分析任务时，CCG相比于现有最好的图计算缓存策略GRASP可以将系统吞吐率提升2.3～7.8倍。

关键词： 伪孪生网络   多智能体   深度强化学习   分区电压控制   动态图注意力网络   时空融合  

摘要： 随着高比例分布式光伏接入配电网，电压越限和网损增加等问题愈发显著，而传统电压控制方法难以实时处理新能源出力快速变化导致的电压剧烈波动，无法满足未来新型配电网的安全稳定运行要求。为此，本文提出一种基于时空伪孪生网络的图多智能体深度强化学习的配电网分区电压控制策略。首先在双重约束条件下界定光伏逆变器无功调节范围；其次将配电网分区电压控制问题建模为分布式部分可观测马尔可夫决策过程；再次在算法中嵌入动态图注意力网络和长短期记忆网络组成的时空伪孪生网络，生成时空融合的特征向量；最后在改进的IEEE 141节点配电网系统中进行算例验证。结果表明，相比于传统电压控制方法，所提算法在有效减小电压偏差和功率损耗的同时，还具备较强泛化性和实时性，为实现新型配电网分区电压控制提供了灵活高效的解决方案。

关键词： 时序知识图谱推理   对比学习   特征蒸馏器  

摘要： 时序知识图谱推理具有重要的应用价值。然而，现有的推理模型在建模历史特征时面临着两大挑战：1）未对关系结构特征建模，导致模型无法很好地理解事实间的潜在语义关系及演化模式；2）忽视了全局范围内事实间的潜在依赖关系，造成不同时间戳实体间的依赖信息丢失。为此，该文提出了一种新的TKG推理模型——对偶图群蒸馏对比网络（DGCN）。该网络通过局部对偶演化蒸馏器（LDED），有效提取实体图和关系线图的结构与时序特征，深入挖掘事实间的潜在语义关系，更好地理解事实的发展趋势；此外，DGCN通过全局对偶重复蒸馏器（GDRD）建模全局查询子图和实体频率特征，全面捕获历史依赖信息，提升模型的预测性能。在ICEWS14、ICEWS18和ICEWS05-15数据集上进行了充分的实验，DGCN比最优基线模型的MRR值分别提高了3.56%、2.83%和1.23%。

关键词： 故障诊断   滚动轴承   去相关谱回归   图注意力神经网络   小样本  

摘要： 针对滚动轴承工作环境复杂、常伴有较高等级噪声所致故障难以识别以及传统神经网络在小故障样本情况下识别精度不高的问题，提出一种基于去相关谱回归（Decorrelated Spectral Regression,DSR）与改进图注意力神经网络（Graph Attention Network v2,GATv2）相结合的变工况滚动轴承故障诊断方法。首先，在数据处理过程中提取多域轴承振动信号特征，丰富原始特征集；之后利用去相关谱回归方法降低特征维度，同时消除人为筛选特征引起的选择偏差；最后采用改进的图注意力神经网络进行故障诊断。实验中使用帕德博恩大学轴承数据集，与一些经典模型对比的结果表明，所提方法具有出色的抗噪能力并且在小样本情况下仍具有较高的检测精度。