结合结构学习的多头密集连接图池化模型

目的:利用图神经网络，构建带有结构学习的多头密集连接图池化模型并用于图分类任务。方法:首先，用图卷积神经网络提取节点的初始特征。其次，用多头密集连接网络学习节点重要性得分，并根据得分进行节点采样得到池化图。之后，对池化图中的节点进行结构学习，以保证图结构的完整性。最后，将学到的图表示放到分类器中，完成图分类任务。结果:与其他图分类模型在七个广泛使用的数据集上进行实验对比，我们构建的模型在五个数据集上的分类结果达到最优。结论:结合结构学习的多头密集连接图池化模型在图分类任务中具有先进性。     

200kt/a煤制乙二醇项目离心式压缩机组试车总结

介绍了200 kt/a煤制乙二醇装置中离心式压缩机组基本技术参数和试车过程中出现的问题。针对存在的问题,通过原因分析并采取相应的改进措施,离心式压缩机组各项运行指标达到了设计值,很好地满足了生产要求。     

康复器械用碳纤维织物的压缩成型特性研究

研究了织物编织方式和定型剂含量对康复器械用有机织物和针织织物在压缩阶段的织物初始厚度和压缩时间、松弛节点的应力松弛率和回弹阶段的变形占比的影响。结果表明,在未添加定型剂前,CC-2T200、CC-P450、C-LT420和C-LPFK380的纹路形式分别为斜纹、平纹、双轴经编和四轴经编;随着定型剂含量(质量分数)从0增加至12%时,4种添加定型剂的碳纤维预定型织物的压缩时间都逐渐变长,且C-LT420-X和C-LPFK380-X的压缩时间相较于CC-2T200-X、CC-P450-X更长;随着定型剂含量增加,4种添加定型剂的碳纤维预定型织物的松弛率都不断增大,且在定型剂含量为8%和12%时,C-LT420-X的松弛率最小,而当定型剂含量为0和4%时,CC-2T200-X的松弛率最小;定型剂含量为4%时可以获得较高定型能力同时又可节省定型剂用量的效果。     

多次采样平均在长波红外高光谱成像系统中的应用

长波红外高光谱成像系统由于光谱细分导致探测器所接收的目标信号的能量较一般成像系统弱,因此系统噪声对成像效果影响较大。针对这一现象,本文在分析系统噪声成分的基础上,提出采用ADC多次采样平均的方法来降低其噪声,并从理论上推导了该方法的有效性。然后搭建了实验系统,分析计算不同积分时间下,利用多次采样平均技术得到的信号和噪声大小,并计算系统的信噪比和NETD。结果表明,多次(m次)采样平均对系统的信号值几乎无影响,但可以将系统噪声降低至原来的m~(-1/2)倍。因此,该方法可将系统的信噪比提高至原来的m~(1/2)倍,并能有效降低系统的NETD,提高系统灵敏度。该方法为改善长波红外高光谱成像系统成像效果提供了一种方案。     

完备度量空间上不动点定理的推广及应用

Banach在1922年证明了完备度量空间上压缩映射不动点的存在性。通过对Banach不动点定理条件的研究,给出了Banach压缩映像原理的推广,并提出Banach不动点定理在存在唯一性方面的应用。     

基于信号增强的缓慢泄漏检测方法

目前管道泄漏检测方法可有效检测突发泄漏，对于缓慢泄漏则存在检测灵敏度低、定位不准确等问题。基于此，提出了一种基于信号增强的缓慢泄漏检测方法。通过信号压缩（抽取及移位）克服缓慢泄漏压力信号下降平缓的缺点；根据声波信号具有波形尖锐突出、对突发泄漏敏感的优点，通过建立以压力为输入、虚拟声波为输出的声波信号变送器模型，将压力信号转换为声波信号，克服了泄漏压力信号容易被淹没在管道压力波动及背景噪声中的缺点，实现了缓慢泄漏信号的增强；利用临近插值方法重构虚拟声波信号，基于延时互相关分析实现了缓慢泄漏的准确定位。实验结果表明，该方法具有显著的信号增强效果和定位精度，实现了缓慢泄漏的准确检测。     

径向伸缩式轮胎

由辽宁石油化工大学申请的专利(公开号CN 110406321A,公开日期2019-11-05)“径向伸缩式轮胎”,包括轮型装置、径向支撑装置和轴向支撑装置。本发明通过轮型装置的轮面在地面上转动,通过径向支撑装置对轮面形成活动连接,使得轮面能够在压缩状态与舒张状态之间转换,通过轴向支撑装置使轮面在静态时保持圆周面。该轮胎解决了现有技术问题,即当充气轮胎受到崎岖路面突起部的影响而产生巨大的反向作用力,造成短时间内充气轮胎的胎面与路面分离,形成安全隐患的技术问题。     

小型往复式压缩机的节能技术及试验研究

通过对小型往复式压缩机的压缩过程进行数值模拟,发现与绝热压缩过程相比,等温压缩过程理论上可以大幅降低制冷压缩机的功耗。工程上通过润滑油系统冷却压缩机,可以实现近似的等温压缩过程。通过大量的润滑油冷却压缩机的试验,确定了最优的压缩机冷却注油量,此时压缩机COP最大。     

GOS+MU:一种查询对象选择新方法

在分析单一MU(Most Uncertainty)采样缺陷的基础上,提出一种"全局最优搜寻"方法 GOS(Global Optimal Search),并结合MU共同完成查询选择。GOS+MU方法中,GOS着眼全局寻找目标,在应用环境能提供的训练样本数量有限、分类器受训不充分时,该方法选择的对象学习价值高,能快速推进分类器学习进程;MU则能够在GOS采样失效情形下,利用分类器当前训练成果,选择查询不确定性最强的样本补充训练集。通过对网络商品的用户评论进行分类仿真,并比较其他采样学习方法的效果,证明了GOS+MU方法在压缩学习成本、提高训练效率方面的有效性。