基于SOLO分类理论以教材为素材的命题实践研究——以“有机合成路线图题”为例

以有机合成路线图题的命制为例，展示如何挖掘并整合教材内容为命题素材，如何基于SOLO分类理论进行设问而命制成试题。     

基于自适应分类容错滤波的SINS/GNSS组合导航方法

针对SINS/GNSS组合导航在GNSS信号异常时出现的系统滤波精度和稳定性下降的问题,提出一种基于EKF的自适应分类容错滤波算法。该算法通过比较系统残差协方差矩阵的实际值与理论值来检测GNSS信号是否存在异常,然后对异常信号进行分类,并对不同类别的异常信号使用不同的加权矩阵进行修正,以减弱异常值对系统滤波精度的影响,同时在滤波过程中加入UD分解,使系统滤波性能更稳定。仿真结果表明:该算法能够有效降低GNSS输出异常信号对SINS/GNSS组合导航带来的不利影响并提高系统稳定性;在GNSS信号出现异常情况下,其导航精度相比EKF至少提高95.6%,相比REKF和AEKF分别至少提高44.5%和24.6%。     

离子浓度及表面结构对岩石孔隙内水流动特性的影响

酸性环境引发的岩石孔隙表面溶解增加了孔隙内水溶液的盐离子浓度,破坏了孔隙的表面结构.本文采用分子动力学模拟的方法研究了纳米级岩石孔隙内水溶液的流动特性,分析了盐离子浓度和孔隙表面结构对水流速度分布的影响及原因.研究结果表明:纳米级岩石孔隙内的水溶液流动符合泊肃叶流动特性,流速呈"抛物线"分布;随盐离子浓度增加,水溶液内部氢键网络变得更为致密,水黏度随其呈线性增长;水溶液中离子浓度越大,孔隙表面对水流动的阻力越大,最大流速越小,速度分布的"抛物线"曲率半径越大;岩石孔隙表面结构的破坏改变了流动表面的粗糙程度,增加了孔隙表面对H2O分子的吸引力.随表面结构破坏程度的增大,水溶液在近壁区域的密度增大,流速降低;当表面破坏程度达到50%时,水溶液在近壁区域出现了明显的负边界滑移现象.     

利用带无标签数据的双支持向量机对恒星光谱分类

恒星光谱分类是天文技术与方法领域一直关注的热点问题之一。随着观测设备持续运行和不断改进，人类获得的光谱数量与日俱增。这些海量光谱为人工处理带来了极大挑战。鉴于此，研究人员开始关注数据挖掘算法，并尝试对这些光谱进行数据挖掘。近年来，神经网络、自组织映射、关联规则等数据挖掘方法广泛应用于恒星光谱分类。在这些方法中，支持向量机(SVM)以其强大的学习能力和高效的分类性能而备受推崇。SVM的基本思想是试图在两类样本之间找到一个最优分类面将两类分开。SVM在求解时，通过将其最优化问题转化为具有(QP)形式的凸问题，进而得到全局最优解。尽管该方法在实际应用中表现优良，但为了进一步提高其分类能力，有的学者提出双支持向量机(TSVM)。该方法通过构造两个非平行的分类面将两类分开，每一类靠近某个分类面，而远离另一个分类面。TSVM的计算效率较之传统SVM提高近4倍，因此，自TSVM提出后便受到研究人员的持续关注，并出现若干改进算法。在恒星光谱分类中，一般分类算法都是根据历史观测光谱来建立分类模型，其中最关键的是对光谱进行人工标注，这项工作极为繁琐，且容易犯错。如何利用已标记的光谱以及部分无标签的光谱来建立分类模型显得尤为重要。因此，提出带无标签数据的双支持向量机(TSVMUD)用以实现对恒星光谱智能分类的目的。该方法首先将光谱分为训练数据集和测试数据集两部分；然后，在训练集上进行学习，得到分类依据；最后利用分类依据对测试集上的光谱进行验证。继承了双支持向量机的优势，更重要的是，在训练集上学习分类模型过程中，不仅考虑有标记的训练样本，也考虑部分未标记的样本。一方面提高了学习效率，另一方面得到更优的分类模型。在SDSS DR8恒星光谱数据集上的比较实验表明，与支持向量机SVM、双支持向量机TSVM以及K近邻(KNN)等传统分类方法相比，带无标签数据的双支持向量机TSVMUD具有更优的分类能力。然而，该方法亦存在一定的局限性，其中一大难题是其无法处理海量光谱数据。该工作将借鉴海量数据随机采样思想，利用大数据处理技术，来对所提方法在大数据环境下的适应性展开进一步研究。     

深度卷积网络的多品种多厂商药品近红外光谱分类

近红外光谱（NIR）分析具有分析高效、样品无损、环境无污染以及可现场检测等优点，特别适合药品的快速建模分析。但NIR存在吸收强度弱以及谱带重叠等缺点，需要建立稳健可靠的化学计量学模型对其进行分析。深度卷积神经网络是深度学习方法中一个重要分支，它通过逐层抽取数据特征并进行组合、转换，形成更高层的语义特征，具有极强的建模能力，广泛应用于计算机视觉、语音识别等领域，而在药品NIR分析方面尚未见报道。基于深度卷积网络模型，对药品NIR多分类建模进行研究。针对药品NIR数据的特点，设计若干个面向多品种、多厂商药品NIR分类的一维深度卷积网络模型。模型中卷积层和池化层交叠排列用于逐层抽取NIR数据特征，输出层连接softmax分类器，对药品NIR数据进行分类概率预测。在输出层之前采用全局最大池化层，将特征图进行整体池化，形成一个特征点，用于解决全连接层存在的限制输入维度大小，参数过多的问题。同时，在网络模型中引入批处理操作和dropout机制，以防止梯度消失和减小网络过拟合的风险。在网络模型的设计过程中，通过设计不同的卷积网络层数以及不同的卷积核尺寸大小，分析其对建模效果的影响，同时分析五种经典数据预处理方法对NIR分析的影响。以我国7个厂商生产的头孢克肟片和11个厂商生产的苯妥英钠片样本NIR为实验对象， 建立药品的多品种、多厂商分类模型，该模型在二分类、多分类实验中取得了良好的分类效果。在十八分类实验中，当训练集与测试集比例为7∶3时，分类准确率为99.37±0.45，比SVM, BP, AE和ELM算法取得更优的分类性能。同时，深度卷积神经网络模型推理速度较快，优于SVM和ELM算法，但训练速度慢于二者。大量实验结果表明，深度卷积神经网络可对多品种、多厂商药品NIR数据准确、可靠地判别分类，且模型具有良好的鲁棒性和可扩展性。该方法也可推广到烟草、石化等其他领域的NIR数据分类应用中。     

一种新的岩石非线性黏弹塑性蠕变模型研究

为了克服传统元件组合模型不能描述岩石蠕变过程中非线性特征的缺陷，首先根据加速蠕变阶段的应变和应变率随蠕变时间急剧增大的特点，建立黏塑性应变与蠕变时间的指数函数关系并提出非线性黏塑性体．将该非线性黏塑性体与广义Burgers蠕变模型串联，建立可以描述岩石全蠕变过程的非线性黏弹塑性蠕变模型，根据叠加原理得到一维应力状态下的轴向蠕变方程．然后基于塑性力学理论指出岩石三维蠕变本构方程建立过程中的不足之处，并给出非线性黏弹塑性蠕变模型合理的三维蠕变方程．最后采用不同应力水平下砂岩轴向蠕变试验对模型合理性进行验证，结果表明：拟合曲线与试验曲线吻合度较高，所建蠕变模型能够很好地描述砂岩在不同应力水平下的蠕变变形规律，尤其对加速蠕变阶段的非线性特征描述效果很好，验证了模型的合理性．     

基于Oda裂隙结构张量的流纹岩各向异性试验研究

岩石内天然存在长度、倾角和形态不同的裂隙,造成岩石的各向异性特征。为揭示岩石内天然随机裂隙发育特征对岩石物理力学特性的影响规律,以泥巴山隧址区采集裂隙性流纹岩为研究对象,首先对试样裂隙进行素描统计分析;然后基于Oda裂隙结构张量,获得天然随机分布裂隙的几何统计参数;最后对裂隙性流纹岩试样分别进行单轴和常规三轴压缩试验,得到不同应力路径下流纹岩的应力-应变曲线及物理力学参数。分析Oda裂隙结构张量定义的各向异性参数与试验获得的力学参数之间的规律,研究结果表明:(1)Oda裂隙结构张量适用于天然随机分布裂隙的几何统计分析,各向异性参数A(F)越大,裂隙优势方向越明显;(2)单轴压缩下,随着各向异性参数I1和A(F)的增大,流纹岩各向异性程度增大,弹性模量减小,泊松比增大;(3)常规三轴压缩下,流纹岩弹性模量和泊松比随各向异性参数改变的规律较不明显,Oda裂隙结构张量不再适用。     

基于单元破裂的岩石裂纹扩展模拟方法

传统离散元方法在处理破裂问题时, 采用界面上的准则进行判断, 裂纹只能沿着单元边界扩展. 当物理问题存在宏观或微观裂隙时, 在界面上应用准则具有其合理性; 而裂纹沿着单元边界扩展, 使得裂纹路径受网格影响较大, 扩展方向受到限制. 针对上述情况, 可以基于单元破裂的方式, 构建连续- 非连续单元法, 并应用于岩石裂纹扩展问题的模拟. 该方法在连续计算时, 将单元离散为具有物理意义的弹簧系统, 在局部坐标系下由弹簧特征长度、面积求解单元变形和应力, 通过更新局部坐标系和弹簧特征量, 可进一步计算块体大位移、大转动, 连续问题计算结果与有限元一致, 同时提高了计算效率. 在此基础上, 引入最大拉应力与莫尔-库伦的复合准则, 判断单元破裂状态和破裂方向, 并采用局部块体切割的方式, 在单元内形成初始裂纹. 裂纹两侧相应增加新的计算节点, 同时引入内聚力模型描述裂纹两侧的法向、切向作用与张开度及滑移变形之间的关系. 按此方式, 裂纹尖端处的扩展路径可穿过单元内部和单元边界, 在扩展方向的选取上更为准确. 最后, 通过三点弯曲梁、单切口平板拉伸、双切口试样等典型数值试验, 模拟裂纹在拉伸、压剪等各种应力状态下的扩展问题, 并对岩石单轴压缩试验的破坏过程进行模拟, 分析裂纹形成与应力-应变曲线各阶段之间的对应关系. 结果表明: 连续-非连续单元法通过单元内部破裂的方式, 可以显示模拟裂纹萌生、扩展、贯通直至形成宏观裂缝的过程.     

由定子电流信号分析陀螺电机滚珠轴承故障诊断与分类（英文）

在陀螺电机中,轴承故障是最普遍的失效形式。针对陀螺电机球轴承中各组成部分出现故障难以区分,而更换整套轴承又造成巨大浪费的问题,提出了一种基于电流信号分析的陀螺电机轴承故障分类方法。该方法通过采集定子电流信号,并应用数学分析工具,提取出定子电流的特征信号。通过使用顺序递推法排除了冗余和无效特征,然后用最佳的特征信号建立特征空间。通过使用隐马尔科夫模型,对轴承的典型故障(外环故障、内环故障、球故障和保持架故障)进行了准确的分类。该方法的有效性在一台具有不同轴承故障的直流无刷陀螺电机上得到验证,实验结果显示分类的正确率达到97.1%。