乌鲁木齐土遗址历史文脉与记忆研究

本文从"丝路文化"与"生土文化"两个方面,对乌鲁木齐的土遗址进行研究,分析了其在特殊地理位置和历史文化背景下,当地古代生土建筑存在、发展的合理性、特殊性及文化特征。论证了保护乌鲁木齐的土遗址的历史文脉、延续乌鲁木齐生土建筑的记忆,使生土建筑重新焕发活力与生命的必要性与可行性。     

城镇燃气日负荷预测模型比较研究

依据A、C市2015—2017年以及B市2016—2018年历史日负荷数据,针对不同用气结构城市不同季节的燃气日负荷进行预测,比较ARIMA模型、BP模型、RNN模型、LSTM网络模型的预测精度。结果表明,不同模型不同用气结构城市的预测精度不同,LSTM网络模型的适用性和预测精度在各城市均比较高。     

城市记忆与传承

这个世界上有一个种群,别人都称呼他们为“记忆储藏师”。他们的工作是为有需求的人们记录他们的记忆,并当成“记忆遗产”保存在“记忆银行”。记忆储藏师根据合约,将记忆遗产进行处理．就好像人们的遗产按照遗嘱分配一样。记忆储藏师,日后将记忆遗产交托到继承人手上,继承人接受记忆遗产。这些．对继承人意义的探索,进而探索出记忆对人、对城市的启示作用     

福田原居民记忆公园 “记忆”的历史

"我们想通过‘记忆’还原深圳各个时期最‘卑微’同时也是最宝贵的那一面"。——庞伟三十多年来,深圳的改革与发展成果为全世界所瞩目。人们熟知的是"一个老人,在中国的南海边画了一个圈"的故事。这一个圈画前画后都有30万原居民的挣扎、努力和奋斗。在深圳飞速的城市建设过程中,本土村落逐渐被淹没和变成钢筋水泥的丛林,甚至最终消失无踪。福田原居民记忆公园试图从原居民的视角去描绘这一庞大社会进程的一角,留下景观的"社会学记忆"。     

层次化神经网络模型下的释义识别方法

释义识别技术（Paraphrase Identification, PI）被广泛用于问答系统、抄袭检测、个性化推荐等领域.针对已有释义识别方法缺乏有效的特征提取机制问题,提出了一种新的释义识别模型.与传统“编码-匹配”模式不同,采用“编码-匹配-提取”模式,通过添加特征提取层进一步提取分类信息.所提出模型由6层组成:输入层、嵌入层、编码层、匹配层、特征提取层、输出层.在编码层,采用基于注意力机制的上下文双向长短期记忆网络对文本上下文进行编码,充分利用句子的前向和逆向两个方向的上下文信息;在匹配层,通过多种矩阵运算,从不同角度获得句子对匹配信息;在特征提取层,利用Xception网络以便更有效地从匹配结果中提取分类信息.此外,本文采用多特征融合的方法,将GloVe预训练的词向量、字符向量和附加特征向量的连接作为最终的词向量,较普通的词向量携带更丰富的语义信息.实验结果表明,所构建的模型在Quora和SemEval-2015 PIT两个公开数据集上（分别作为大型数据集和中小型数据集的代表）都达到了竞争性效果.     

基于CNN-ResNet-LSTM模型的城市短时交通流量预测算法

针对交通流量特性和外部因素对交通流量预测结果的影响,提出了一种对城市短时交通流量预测的模型CNN-ResNet-LSTM,将卷积神经网络（CNN）、残差神经单元（ResNet）和长短期记忆循环神经网络（LSTM）集成到一个端到端的网络框架.利用卷积神经网络来捕获城市区域间交通流量的局部空间特征,并在卷积神经网络中加入多个残差神经单元来加深网络深度,可提高预测的准确性;利用长短期记忆循环神经网络来捕获交通流量数据的时间特征;利用相应的权重将2个网络的输出结果融合,得到通过轨迹数据预测的结果;最后与外部因素融合,得到城市区域的交通流量预测值.用北京市轨迹交通数据对该模型进行验证,CNN-ResNet-LSTM模型不仅在准确率方面比传统模型高,而且在保证预测准确率的情况下,模型使用的参数也少.     

基于NWD集成算法的多粒度微博用户兴趣画像构建

微博文本特殊性的存在使得微博用户兴趣画像难以有效构建。为此, 提出了一种集成算法——新词发现-双向长短期记忆网络-梯度提升算法。首先针对微博文本的非正式性, 提出了一种基于支持度视角的新词发现(New Word Discovery, NWD)算法, 发掘其中大量存在的网络用语以实现更加准确的分词及语义把握; 其次, 引入Simhash算法使得微博文本中的“信息过载”现象得到改观; 再次, 为改善微博文本的简洁性而引起的特征稀疏问题, 采用双向长短期记忆网络(Bidirectional Long Short-term Memory,Bi-LSTM)模型提取博文语义特征; 最后, 通过融合微博用户静态特征训练梯度提升(extreme Gradient Boosting,XGBoost)模型, 从而有效构建多粒度微博用户兴趣画像。实验结果表明, 粗粒度(一级)兴趣标签模型NWD-Bi-LSTM和细粒度(二级)兴趣标签模型NWD-Bi-LSTM-XGBoost的宏平均F1值(Macro-average F1 score, mF1)和受试者工作特征曲线下面积(Area Under ROC Crave, AUC)分别高达83.6%, 79.7%和70.4%, 63.6%, 相对于基准模型, NWD算法的集成使得模型的mF1值和AUC值均能提升3%～5%, 其促进作用优于现有的新词发现方法。     

我的记忆片断

小时候,我们都有一个欲望,那就是涂鸦。树枝在泥地上,粉笔上黑板上,墙上、水泥地上……就是拿着小鸡鸡撒尿都要尿出个图形来,图画是人的天性。     

基于LSTM-SVM的风电机组齿轮箱故障诊断

针对风电机组齿轮箱的故障诊断中特征提取过分依赖人为经验和准确率不高的问题,提出一种基于长短时记忆网络(LSTM)与支持向量机(SVM)相结合的方法。对原始时域振动信号作傅里叶变换,利用LSTM神经网络自适应智能提取特征的优势,结合SVM的分类功能,实现对风电机组齿轮箱更加准确的故障诊断。仿真结果显示,该网络模型在经过16轮训练后准确率可以达到100%,使用测试集数据准确率也可以达到99.1%。     

有机化学教学中的几种行之有效的记忆方法

在有机化学教学中,需要学生记忆的知识点很多,记忆难度较大,为了提高有机化学的教学效果,论文提出了将顺口溜记忆法、谐音记忆法、形象记忆法、图表记忆法等众多记忆方法应用于有机化学教学中,对众多难记忆的知识点进行了归纳和总结,以方便学生记忆。实践表明,此教学方法确实能够提高学生的学习效率,达到事半功倍的教学效果。