简介：针对短期家庭电力数据随机性强,数据维度低等问题,提出了一种基于长短期记忆循环神经网络（LSTM）的单变量短期家庭电力需求预测模型.实验表明,该模型能够准确反映以小时为单位的家庭电力需求趋势,且在不同家庭上的泛化性能优于传统的循环神经网络（RNN）和门控循环网络（GRU）.

简介：大气颗粒物污染由于其对区域环境和人体健康的影响而日益成为全球关注的焦点。相对于全颗粒物分析方法，大气单颗粒分析方法可以获得特征单颗粒的形貌、元素组成及粒子数量粒径谱等大量信息，具有采样量少、样品处理过程简单和分析速度快的特点，这使得单颗粒分析已成为表征大气颗粒物理化特征的重要手段。该方法已在源解析、颗粒物基本理化特性、颗粒物的混合状态和老化过程等方面得到应用。本文就单颗粒分析主要方法及其在颗粒物源解析等大气环境化学研究中的应用进行介绍，并对比分析不同单颗粒分析仪器的特点。

简介：为提高双色法测温的精度,我们设计了一种使用中心波长为637nm和541nm的窄带通单色滤波片的双光路光学结构,并通过补偿算法,消除CCD图像传感器在采样中RGB三色宽采样峰交叠对测量的影响.分析了双色测温的原理和补偿算法,设计和搭建了双光路采样光学结构,通过黑体炉对温度进行标定并优化了CCD相机的白平衡和曝光时间设置.对黑体炉的温度测量结果表明,使用本设计的双光路光学结构以及补偿算法后温度最大相对误差为0.48%,而传统双色测温实验的最大相对误差为2.18%,本设计和改进对温度测量的准确度提高了一个数量级.

简介：本文作者采用色谱—质谱联用法定性地分析了合成的二甘醇单叔丁基醚及其它副产物,并用质谱谱图解析方法确定了它们的结构。

简介：射线束分析仪在大型放疗设备的校准中有重要作用,其自身定位精确度在0.1mm.通过搭建基于激光跟踪仪的位移测试系统,对射线束分析仪水平轴的定位精度进行测量校准.将测得的位移数据进行最小二乘拟合,使得拟合曲线上的各点位移与真实位移值之差的平方和最小,此时拟合曲线上各点位移值最接近真实位移.将拟合曲线上各点位移值与标准位移值做差,即可求得各点误差值.实验结果表明,在未使用小支架的情况下位移测量系统的基本误差为0.1636%,利用小支架使激光跟踪仪光束不穿过水箱壁时,位移测量系统的基本误差为0.0616%.实验系统可使射线束分析仪的单轴位移精确度达到0.01mm精度级.

简介：针对深层超限学习机算法在网络层数较浅时样本特征利用率低,和网络层数较深时样本特征经高层抽象后有效性降低的问题,本文提出了两种密集连接的多层超限学习机算法:Dense-HELM和Dense-KELM.这种密集连接的网络结构,使样本特征信息在层与层之间被充分利用,能够在不增加网络深度的情况下,显著提高算法的识别精度.最后,对文中提出的两种算法在20组基准数据集上进行实验,结果显示:本文提出的算法可以显著提高算法的识别精度,减少算法的训练时间,这表明所提出的算法具有有效性和实用性.

简介：为了检测医用体外碎石机焦点位置的声场特性，判断是否符合国家标准要求，特采用直接测量的方法，使用针式水听器在时间和空间域内进行逐层扫描，寻找焦点位置并测量焦点位置的声压强度；通过能量图直观显示焦点位置的能量分布，通过测量采集到焦点位置连续10次冲击波的声场强度、脉冲上升时间、脉冲宽度．这样所得到的医用体外碎石机焦点声场特性符合国家标准的要求．

简介：本文叙述了采用Gc辅以Gc—IR技术研究低分子醛试剂的质变行为和单分子醛含量的测定方法。实验结果表明,购自市售因久置聚合而变质的低分子醛试剂,其中单分子醛含量远低于商品标称值。

简介：设计了一种分布式光伏电站数据通讯管理机,包括硬件系统和软件系统.硬件系统基于ARM嵌入式处理器设计,通过RS485/232串口对光伏电站终端设备的实时数据进行采集并解析处理,采用以太网/GPRS与光伏电站控制系统的服务器相连,实现数据的远程无线通讯和传输.软件系统基于多任务实时系统Linux,采用模块化设计,包含了任务管理、内存管理、时间管理和同步通信等功能模块.该通讯管理机具有对分布式光伏电站监控数据的实时采集、存储、分析处理、上传和转发等功能.

简介：为解决空气处理机组在故障检测过程中难以获得大量带有类标记样本,且故障样本数据标记代价较高的问题,本文结合支持向量机与半监督学习方法,提出了针对空气处理机组故障检测的半监督学习算法.首先利用序列前向选择选出重要的特征作为分类依据,将半监督学习方法引入支持向量机的学习过程中,并使用遗传算法寻找支持向量机的最佳参数.然后选择类标记置信度高的未标记样本加入训练样本集,利用未标记样本中有利于支持向量机的信息,提高学习性能.实验表明,提出的混合算法能够在故障标记样本比较少的情况下达到较高的故障诊断率.

简介：域自适应算法是一种能有效解决训练集（源域）和测试集（目标域）样本分布不一样但是具有相关性的方法.文章提出一个跨领域分布适配超限学习机（DDM-ELM）用于解决域自适应问题.DDM-ELM旨在基于超限学习机的框架下,充分利用丰富的有标签源域样本和无标签目标域样本,得出一个精确的目标域分类器.具体来说,DDM-ELM同时满足以下目标：1）最小化源域样本的分类误差;2）通过最小化投影最大化均值偏差来有效减小源域和目标域的分布差距;3）利用目标域样本的流形正则化来探索目标域样本的几何机构特性.这使得DDM-ELM能在同时继承超限学习机优点的前提下更加适合于目标域样本.经过大量的实验结果证明,相比于几种先进的域自适应方法,DDM-ELM在分类准确率和效率上均有所提高.

简介：在C-R2A数据处理机上,根据故障现象结合电路原理,用替换法查找故障,并进行元件代换。