包括原子间相互作用的Kubo关系

广义朗之万方程中记忆函是一个重量要变量。当不明确考虑原子间相互作用，Ｋｕｂｏ表达式给出总力相关函的拉氏变换与记忆函数的拉氏变换之间的关系。文中推广了Ｋｕｂｏ关系式，它可以应用于明确考虑了原子间相互作用时的情形。     

金属磁记忆检测技术研究进展及若干讨论

金属磁记忆是近年来发展起来的一种新的磁无损检测方法,可以实现对工业中大量使用的铁磁材料和铁磁结构早期损伤实现有效诊断。但由于其发展历史较短、理论模型缺乏、实验干扰因素较多,目前还限于机理性探讨和仅能提供定性化测试结果。结合本课题组研究成果及其他学者的相关报道,本文对近年来本领域研究成果进行综述性评价。内容涉及基本判据建立、漏磁表征参数确定、实验测试数据的有效性及影响因素、理论物理模型建立等方面。最后,对该方法今后研究趋势作了展望。     

卷积神经网络在流场重构研究中的进展

近年来, 随着深度学习在图像处理、语音识别、自动驾驶、自然语言处理等领域迅速发展, 该技术也被越来越广泛地应用于处理具有复杂非线性、高维度、大数据量等特点的流体力学方向. 传统的方法无法有效地处理这些庞大的数据, 深度学习因其具有强大的函数拟合能力, 可以从大量的数据中挖掘有用的信息. 当前, 流体力学深度学习技术有了初步的一些研究成果, 在流动信息特征提取、多源数据信息融合及流场的智能重构等方面具有重要的工程价值, 其应用潜力逐渐得到证实. 如何利用地面风洞试验、数值模拟及飞行试验获取的数据进行深入挖掘, 快速智能感知及重构流场, 可为主动流动控制提供重要指导. 本文主要从深度学习不同类型的网络结构出发探讨了卷积神经网络在流场重构中的研究进展, 文章首先介绍卷积神经网络的一些基本概念以及基本网络结构, 之后简要介绍流场超分辨率重构网络、端到端的映射网络、长短期记忆网络的基本结构与理论, 并详细归纳出他们的改进形式在流场重构领域的一系列研究进展与成果, 最后对文章做出总结并探讨了流场重构深度学习技术所面临的挑战与展望.      

FitzHugh-Nagumo神经元网络的联想记忆与分割

以广泛讨论的Fitz Hugh-Nagumo神经元节点组成脉动神经元网络,从神经系统空时模式编码理论研究网络的记忆(或模式)存储与时间分割问题.给定一个输入模式,它是几种模式的叠加,网络能够以一部分神经元同步发放的形式一个接一个地分割出每一种模式.如果输入的模式有缺损,系统能够把它们恢复成原型,即神经网络的联想记忆功能.模拟需要调节耦合强度和噪声强度等参数使得网络在特定的参数值和中等强度噪声达到最优的时间分割,与广泛讨论的随机共振现象一致.     

瞬态波形存贮及显示

本文提出一种用TP—801单扳微型机简单地接口硬件电路加上一台普通示波器,即可代替一台专用的记忆示波器的实验装置,以显示物理实验中瞬态过程。显示方式计有:冻结型、翻页型、滑移型三种,供选用。文中详述了电路原理、连接、程序设计、实验步骤。并附有波形照片。     

基于拉曼光谱结合CNN-LSTM深度学习方法的铁皮石斛总黄酮含量快速检测研究

铁皮石斛具有很高的商业价值和营养价值,将云南文山、广西金秀、安徽霍山、浙江台州四个产地共130个样品作为研究样本,在785 nm激光下利用便携式拉曼光谱仪获得了铁皮石斛拉曼光谱,采用NaNO₂-Al(NO₃)₃-NaOH比色法测定铁皮石斛总黄酮含量。以每条经过归一化后的拉曼光谱数据作为输入,利用Savitzky-Golay卷积平滑(SG平滑)、标准正态变量变换(SNV)、多元散射校正(MSC)等不同预处理方法对光谱数据进行处理,以偏最小二乘(PLS)、支持向量机(SVM)和卷积神经网络-长短期记忆神经网络(CNN-LSTM)模型作为比较,竞争自适应重加权采样(CARS)作为波长选择方法,对不同的机器学习模型进行比较研究。采用以下预测质量指标：校正集、测试集相关系数(R_c、R_p),校正集、测试集均方根误差(RMSEC、 RMSEP),评价铁皮石斛总黄酮含量预测模型的性能。结果表明：光谱在经过SNV预处理之后,CNN-LSTM方法预测铁皮石斛总黄酮含量准确率最高,R_c     

基于双向长短期记忆网络的太赫兹光谱识别

特征提取是太赫兹光谱识别的关键处理步骤,通常利用降维方法作为特征提取手段。然而,当一些化合物的太赫兹光谱曲线整体差异度较小时,降维方法往往会缺失样本差异的重要特征信息,从而导致分类错误。如果不采用降维方法提取特征,传统机器学习分类算法对维数较高的原始太赫兹光谱数据又不能很好的分类。针对此问题,提出了一种基于双向长短期记忆网络（BLSTM-RNN）自动提取太赫兹光谱特征的识别方法。BLSTM-RNN作为一种特殊的循环神经网络,利用其LSTM单元可以有效解决原始太赫兹光谱数据维数较高使得模型难以训练问题。再结合模型的双向频谱信息利用架构模式,可以增强模型对复杂光谱数据自动提取有效特征信息的能力。采用三类、15种化合物太赫兹透射光谱作为测试对象,首先利用S-G滤波和三次样条插值对Anthraquinone,Benomyl和Carbazole等十五种化合物在0.9～6 THz内的太赫兹透射光谱数据进行归一化处理,然后通过构建一个具有双向长短期记忆的循环神经网络对太赫兹光谱的全频谱信息进行自动特征提取并利用Softmax分类器进行分类。通过试验优化网络结构和各项参数,最终获得了针对复杂太赫兹透射光谱数据的预测模型,并与传统机器学习算法SVM,KNN及神经网络算法MLP,CNN进行对比实验。结果表明,dataset-1和dataset-2分别作为差异度较大和无明显峰值特征的五种化合物太赫兹透射光谱数据集,其平均识别率分别为100%和98.51%,与其他方法相比识别率有所提高;最重要的是,dataset-3作为5种化合物谱线极为相似的太赫兹透射光谱数据集,其平均识别率为96.56%,与其他方法相比识别率提高显著;dataset-4作为dataset-1,dataset-2和dataset-3的透射光谱数据集集合,其平均识别率为98.87%。从而验证了BLSTM-RNN模型能自动提取有效的太赫兹光谱特征,同时又能保证复杂太赫兹光谱的预测精度。在选择模型训练优化算法方面,使用Adam优化算法要好于RMSProp,SGD和AdaGrad,其模型的目标函数损失值收敛速度最快。同时随着模型训练迭代次数增加,相似太赫兹透射光谱数据集的预测准确率也不断提升。可为复杂太赫兹光谱数据库的光谱识别检索提供一种新的识别方法。     

无约束多目标优化的记忆梯度法

基于无约束单目标记忆梯度法,本文提出了一种无约束多目标优化问题的记忆梯度法,并证明了算法在Armijo线性搜索下的收敛性。数据试验结果验证了该算法的有效性。     

提取诱发遗忘的执行控制机制

提取诱发遗忘是指对于部分记忆材料的回忆往往会导致对于其他相关记忆材料的回忆量降低的现象.本研究采用中文材料再认测试的提取练习范式,探讨了不同控制能力的被试以及在提取-诱发遗忘(RIF)效应上的不同特点和机制.结果表明:(1)回忆正确率存在RIF效应,即Nrp的回忆正确率显著高于Rp-.(2)用Stroop效应的强弱作为执行控制能力的指标,高执行控制能力者比低控者表现出更强的提取诱发遗忘效应,证明了提取诱发遗忘的执行控制机制.