基于加权流量介数中心性的路网脆弱性分析——以无锡市为例

针对当前路网脆弱性研究中缺乏对真实交通状况考量的问题，在复杂网络理论的基础上，结合交通流量信息，提出了基于加权流量介数中心性的路网脆弱性分析方法。首先计算路网拓扑抽象图中各节点的最短路径介数中心性，然后使用流量数据对相应区域最短路径介数中心性加权，综合得到最终的脆弱性指标结果。以无锡市为例，对其实际交通路网脆弱性进行了计算，结果表明，该方法能综合反映静态全局路网结构与动态局部通行信息和现实交通情景下的路网脆弱性。     

原子分子光子系统的耗散相互作用和退相干

原子分子系统与量子化的电磁场或光子模式耦合的系统是非相对论量子力学理论研究和实验研究的主要对象和模型. 现实系统必然与外界环境耦合，且即便原子隔绝较好、光学腔壁品质因子足够高，原子系统也不等价于少数几个能级构成的简单模型：它仍然有不为零的几率跃迁到不可控的能级空间、与原子相互作用的自由空间真空场的量子效应也必须考虑. 本文将结合开放量子系统理论的基本要素与原子光子的基本模型，对原子分子系统在电磁场中发生的耗散以及量子退相干过程做简单综述，并重点介绍描述量子系统退相干过程的主流理论工具——主方程.     

神府烟煤以及贵阳贫煤分别与木屑掺烧灰沉积特性研究

利用CCD相机和沉积探针组成的在线监测系统,在50 k W下行炉上研究了木屑与神府烟煤以及贵阳贫煤的掺烧灰沉积特性。灰渣沉积过程可分为三个阶段:缓慢增长阶段、快速增长阶段和稳定阶段。烟煤掺烧灰沉积厚度随着木屑掺烧比例的增加而增加,贫煤掺烧灰沉积厚度则随着木屑掺烧比例增加而减小。烟煤中掺烧木屑比例为0、6. 7%、15%和22%时,渣层稳定厚度分别为1. 37、3. 85、11. 50、20. 56 mm,稳定相对热流密度分别为0. 44、0. 41、0. 30、0. 26。贫煤掺烧木屑比例为6. 7%、15%和22%时,稳定厚度分别为18. 65、10. 97和9. 78 mm,稳定相对热流密度分别为0. 29、0. 31、0. 33。掺烧木屑之后,灰渣初始层中Ca、K元素显著增加。在相同温度下,随着木屑掺烧比例的增加,灰中熔融相比例增加,因为木屑灰分中含有较多的Na2O、K2O等碱金属氧化物,而Al2O3、SiO2等含量较少,降低了灰的熔融温度。     

多个局部温度载荷下压电半导体纤维杆的压电电子学行为分析

温度改变产生的极化电势可对压电半导体结构内的物理量进行有效调控, 这在穿戴电子器件及与温度相关的半导体电子器件中有重要工程应用价值. 本文针对在多个局部均匀温度变化作用下的压电半导体杆结构, 采用一维热压电半导体多场耦合方程, 基于线性化的漂移-扩散(drift-diffusion)电流模型导出了问题的解析解. 以两个局部温度载荷情况为例, 数值分析了局部温度改变对压电半导体内位移、电势、电位移、极化强度、载流子分布等物理场的影响. 对于温度改变较大的情况, 在COMSOL软件的PDE模块中, 采用非线性电流模型, 进行数值模拟. 研究结果表明: 由于两个局部区域的温度改变, 在半导体杆内形成了局部势垒和势阱, 不同的温度改变量和作用区域会产生不同高度/深度的势垒/势阱, 为基于压电半导体的热压电电子学器件结构设计提供了理论指导.      

求解定常不可压Stokes方程的两层罚函数方法

借助于两套有限元网格空间提出了一种求解定常不可压Stokes方程的两层罚函数方法.该方法只需要求解粗网格空间上的Stokes方程和细网格空间上的两个易于求解的罚参数方程（离散后的线性方程组具有相同的对称正定系数矩阵）.收敛性分析表明粗网格空间相对于细网格空间可以选择很小，并且罚参数的选取只与粗网格步长和问题的正则性有关.因此罚参数不必选择很小仍能够得到最优解.最后通过数值算例验证了上述理论结果，并且数值对比可知两层罚函数方法对于求解定常不可压Stokes方程具有很好的效果.     

基于拼接的大视场虚拟现实头戴显示装置

虚拟现实技术是头戴显示技术的一个重要分支。为了提高虚拟现实头戴显示装置的视场角,获得更高的沉浸感,设计了一种基于视场拼接原理的大视场虚拟现实头戴显示装置。利用4套横向视场角为80°,且完全相同的目视光学系统,通过拼接实现大视场虚拟现实头戴显示。本装置的双目横向视场角为162°,其中每个单目系统的横向视场角为126°,双目重叠视场角为90°。     

基于多尺度学习与深度卷积神经网络的遥感图像土地利用分类

土地利用信息是国土资源管理的基础和重要依据，随着高分辨率遥感图像数据的日益增多，迫切需要快速准确的土地利用分类方法。目前应用较广的面向对象的分类方法对空间特征的利用尚不够充分，在特征选择上存在一定的局限性。为此，提出一种基于多尺度学习与深度卷积神经网络（deep convolutional neural network，DCNN）的多尺度神经网络（multi-scale neural network，MSNet）模型，基于残差网络构建了100层编码网络，通过并行输入实现输入图像的多尺度学习，利用膨胀卷积实现特征图像的多尺度学习，设计了一种端到端的分类网络。以浙江省0.5 m分辨率的光学航空遥感图像为数据源进行了实验，总体分类精度达91.97%，并将其与传统全卷积网络（fully convolutional networks，FCN）方法和基于支持向量机（support vector machine，SVM）的面向对象方法进行了对比，结果表明，本文所提方法分类精度更高，分类结果整体性更强。     

融合图卷积神经网络和注意力机制的PM2.5小时浓度多步预测

PM_2.5小时浓度多为单步预测。为实现PM_2.5小时浓度的多步预测，基于“编码器-解码器”的序列-序列预测（Seq2Seq）模型，集合图卷积神经网络提取非欧式空间数据特征的能力以及注意力机制自适应关注特征的能力，提出了融合图卷积神经网络和注意力机制的PM_2.5小时浓度多步预测（GCN_Attention_Seq2Seq）模型。并与Seq2Seq模型和使用了图卷积神经网络、未使用注意力机制的GCN_Seq2Seq模型进行了对照，以2015—2016年北京市22个空气质量监测站点的空气质量数据为样本进行实例验证，结果表明，Seq2Seq模型和图卷积神经网络（GCN）可对PM_2.5小时浓度数据的时空依赖进行有效建模，注意力机制有助于减缓多步预测中的预测精度衰减，提升PM_2.5小时浓度多步预测的精度。GCN_Attention_Seq2Seq模型可有效应用于多种长度的PM_2.5浓度预测窗口。