原始彩陶中“言、象、意”下的视觉传达设计思维

视觉传达设计主要通过图形图像的意义生成与解读来实现信息的传达与交流。通过原始彩陶纹样中"尚象"的视觉表现,"抽象"符号的形成,"拟诸形象,象其物宜"思维的形成,"仰天俯察、观物取象"——视觉传达符号系统的形成与建立,总结出原始彩陶装饰纹样形成和发展促使了中国视觉传达设计思维形成和发展,并形成了中国特有的含蓄、内敛的视觉传达设计思维模式。     

三座店水利枢纽工程泄洪洞大型弧形闸门的弧面铣削工艺

文章介绍了某工程大型弧形闸门的弧面铣削过程,重点阐明其施工要点。     

长江上游主要河流径流丰枯空间变化特性初步研究

集对分析是处理不确定性问题的一种新理念,认为在一个系统中确定性与不确定性相互联系、影响、制约并在一定条件下相互转化,用联系度来描述系统的各种不确定性,由此实现对系统的评价和决策。河川径流存在大量的不确定性,应用有序聚类方法建立径流丰枯状态的分级标准,然后运用集对的联系度来描述各水系间丰枯状态的同异反程度。以长江上游主要河流52 a的径流资料为基础进行了具体应用,结果表明:长江上游主要河流径流总体具有丰枯同步的特点。     

Volterra模型在月径流预测中的应用研究

水文过程的月均径流序列存在着较明显的低维混沌特性,利用Volterra模型可以较好的预测低维混沌序列。引入低维混沌动力系统相空间坐标重构的Volterra自适应预测模型,对多年月均径流序列采用二阶Volterra自适应滤波器进行预测。以大渡河石棉站33年的月径流量为例进行验证,预测相对误差<10%的天数为73.3%,相对误差<20%的天数为90.0%,与人工神经网络预测结果对比表明该方法具有较满意的准确率。     

球型网架梁系工作闸门技术概述

文章介绍了球型网架梁系平板工作闸门的技术攻关过程、制造工艺及应用效果。     

神经网络预测日径流序列的数据适应性分析

对于不同数据特点的序列神经网络的逼近能力有较大的差异。为了使BP神经网络预测河流日径流的效果有较大改善,分析了S型神经元的训练和数据调整过程,提出了数据对神经网络的主动适应性的表征和判断标准,在提高其平滑度的基础上结合水文数据的结构特点,给出了日径流的非线性变换的几种基本形式。以广西平乐站29年的日径流量为例,通过适当的非线性平滑预处理后用神经网络进行预测,相对误差<10%的天数平均提高47.8%,相对误差<20%的天数平均提高35.6%。     

基于SPA的水文预测模型评估

为了对水文预测模型的可靠性和有效程度进行评定和检验,引入集对分析(Set Pair Analysis,SPA)方法,从同、异、反3个方面刻画预测模型的误差分布情况,利用联系度描述水文预测模型的预测精度,从而建立基于集对分析的水文预测模型评估方法。通过对水文预测中的TR模型和线性模型与实测系列之间联系度的对比,对2个模型的拟合结果和预测效果进行评价,结果表明,TR模型优于线性模型。与其他水文预测模型评估方法相比,集对评估方法具有评价信息全面、计算简便和实用的特点。     

融合残差块注意力机制和生成对抗网络的海马体分割

研究一种基于改进的生成对抗网络的深度学习方法对海马体进行分割。提出不同的卷积配置,以捕获由分割网络获得的信息。提出以Pixel2Pixel为基本架构的生成对抗网络模型,生成模型结合残差网络以及注意力机制的编解码结构以捕获更多细节信息。判别网络采用卷积神经网络对生成模型的分割结果和专家分割结果进行判别。经过生成模型和对抗模型不断地传递其损失,使生成模型达到分割海马体的最优状态。使用来自ADNI数据集130名健康受试者的T1加权MRI扫描和相关海马标签作为训练和测试数据,以相似度系数作为评价指标,准确率达到89.46%。试验结果表明,该网络模型可以实现高效地自动分割海马体,对于阿尔茨海默症等疾病的正确诊断具有重要的现实意义。     

非一致采样状态反馈预测控制

针对输入更新不等间隔的非一致采样系统,提出一种基于状态观测器的状态反馈预测控制算法。通过提升控制信号,设计了输入输出同周期的非一致采样系统的状态观测器,并且给出了提升控制信号前后观测器系数矩阵的关系。运用线性矩阵不等式方法,解决无穷时域二次型性能指标下的优化问题,给出了状态反馈预测控制器存在的充分条件。仿真结果表明控制算法的有效性。     

动态因果模型的研究综述

功能磁共振成像技术的发展为揭示脑区间的有效连接机制奠定了基础,而动态因果模型的研究将更有利于连接机制的研究,为揭示脑的奥秘提供了有效、直接的方法。阐述了动态因果模型的基本概念和原理,论述了不同类别的动态因果模型连接方式、方法;分析了不同类别模型间的区别,并通过贝叶斯模型选择进行模型辨识。通过总结前人所做的工作,得出动态因果模型在使用过程中应该遵循的规则,概括了存在的问题。结合已有的动态因果模型研究成果,展望了未来的研究方向和亟待解决的关键问题。