差压式液体流量计的设计

针对现有各流量计机械结构较复杂、低流与微流难以检测的不足,设计了一种基于差压原理的一种新型液体流量计．本流量计以特制的导管和差压传感器作为流量检测元件,用STCl2C5410AD作为微处理器．检测元件将差压信号转换为电信号,该电信号经仪表放大器放大后,用微处理器进行数据采集和处理,获得流量和流速值．     

由配副硬度差确定摩擦副最佳配副组合的试验

以自行火炮某关键件摩擦副所用材料45CrN i钢为研究对象,考察了该材料在原始态、淬火态、530℃回火态、380℃回火态4种不同热处理状态下互相配副时的干滑动摩擦磨损行为。研究了配副硬度差与磨损率的关系,根据这种关系确定了最佳配副组合。结果表明:在盘比销硬时,具有最小磨损率的摩擦副组合为380℃回火盘/原始销,但速度在1.33m/s时的最佳配副为淬火盘/原始销;当销比盘硬度大时,最佳配副组合为原始盘/淬火销。     

科技领军企业:定义、分类评价与促进对策

新发展阶段的本质特征是实现高水平自立自强,其核心在于强化以科技领军企业为代表的国家战略科技力量.本文探究了科技领军企业的定义、定位与特征,探讨了科技领军企业的分类思路与评价要点,并在此基础上提出了培育科技领军企业、发挥科技领军企业科技创新主导作用的对策思路,为建设和完善科技领军企业评价与促进体系、强化国家战略科技力量、...     

声纹信号-图形差分场增强和多头自注意力机制的变压器工作状态辨识方法*

为提升电力变压器工作状态的智能监测水平,提出声纹信号-图形差分场增强和多头自注意力机制的变压器工作状态辨识方法。基于图形差分场技术将声纹信号映射为二维图像,再借助多头注意力机制的视觉转换器实现图像信息的深层挖掘与状态辨识,采用梯度加权类激活映射实现分类结果的可解释性分析。搭建了包含变压器4种典型工作状态下的实验模拟测试系统平台,实验结果表明：所提方法不仅能够有效表征变压器声纹信号的状态特征,且分类辨识精度相较于“时频图+引入多头注意力机制的变换网络”与“图形差分场+引入残差模块的卷积神经网络”的常规方法有显著提升,提升约6%,同时也具备较好的鲁棒性,可为电气设备的故障检测研究提供一定参考。     

元数据对专利自动分类准确度的影响

在介绍专利自动分类的计算模型基础上,总结了元数据对专利自动分类的作用,分析了元数据对专利自动分类准确度的影响。     

论交叉学科文献分类

依据交叉学科的特性,探讨了类分交叉学科所面临的困难及类分交叉学科的方法。     

基于带RBF核的SVM模型对红酒品质的精准分类

针对红酒品质的"精准分类"和影响红酒品质的重要指标问题,综合带RBF(径向基函数)核的SVM(支持向量机)模型、递归特征删除、深层次回归分析及单因素方差分析等方法,构建支持向量机模型和作用效力挖掘模型,使用R和SPSS进行编程求解.研究结果表明:该模型的精确率高达74.01％,且其误差绝对值最大不超过3,并找出影响程度...     

一种基于词嵌入模型和卷积神经网络的简化文本分类方法

自然语言处理（Natural Language Processing,NLP）可分为自然语言理解（Natural Language Understanding,NLU）和自然语言生成（Natural Language Generation,NLG）两大类子任务。预训练语言模型和神经语言模型在自然语言理解的整个流程中占据重要地位。本文梳理了文本预训练语言模型的发展流程,并分析当下主流的预训练语言模型以及深度学习模型的不足,基于经典预训练语言模型（Word2Vec）和卷积神经网络分类模型（CNN）,提出一种简化的文本分类模型（Simplified CNN）,在多个情感分析（Sentiment Analysis,SA）基准数据集上进行实验测试,实验结果表明,在文本分类任务上,简单网络可以得到与复杂网络相媲美的分类效果并且运行时间优于复杂网络,与传统的分类模型相比较,在分类效果上表现出了优势。     

α-唑基-α-芳氧烷基频哪酮(芳乙酮)及其醇式衍生物抗真菌活性的支持向量机研究

采用支持向量机（SVM）算法,将其用于α-唑基-α-芳氧基频哪酮（芳乙酮）及其醇式衍生物抗真菌活性的研究．讨论了该类化合物的量子化学参数、计算核函数及参数的选择和优化问题,建立了抗真菌活性预测的数学模型,结果表明支持向量机可用于该类化合物抗真菌活性的筛选和构效关系（QSAR）的研究．     

用于文本分类的快速KNN算法

KNN(k Nearest Neighbor)算法是一种简单、有效、非参数的文本分类方法.传统的KNN方法有着样本相似度计算量大的明显缺陷,使其在具有大量高维样本的文本分类中缺乏实用性.提出了一种快速查找精确的k个最近邻的TKNN(Tree-k-Nearest-Neighbor)算法,该算法建立一棵用于查找的树,加速k个最近邻的查找.首先以整个样本集合中心为基准,按照距离中心的距离将所有样本进行排序,并等分L组,作为根结点的孩子,每个孩子以同样方式处理,直到每组样本数量在[k,2k]间为止.根据这棵树查找k个最近邻,减小了查找范围,极大地降低了相似度计算量.