宁夏地区雨季特征时空变化规律及其归因分析

为揭示宁夏地区雨季特征时空变化规律及物理归因，利用1960～2020年宁夏地区9个气象站点的降水资料，基于滑动t检验法确定宁夏地区各个站点多个雨季特征(包括雨季开始时间、结束时间、持续时间、降雨量、降雨强度和降雨日数)的时空分布规律，分析大气环流、季风以及海表温度对宁夏地区雨季特征的影响。结果表明：宁夏地区的雨季开始时间和结束时间具有明显的年代际和空间变化特征，西北太平洋增强(减弱)的反气旋是宁夏地区雨季开始(结束)的重要信号。雨季降雨量和降雨强度在突变年份发生后，具有增强的趋势。多个雨季特征表现出与厄尔尼诺(ENSO)区域明显的负相关性，即升高的海表温度会导致宁夏地区雨季起讫时间的提前、降雨量和降雨强度以及雨季降雨日数的减小。研究成果可为探究宁夏地区雨季特征与海表温度的遥相关性提供参考。     

基于形态特征提取的急性下壁心肌梗死BiLSTM网络辅助诊断算法

急性下壁心肌梗死是一种病发急、进展快、致死率高的心脏疾病,该文提出一种新颖的基于形态特征提取的BiLSTM神经网络分类的急性下壁心肌梗死辅助诊断算法,可大幅度提高医生对急性下壁心肌梗死疾病的诊断效率并有助于及时确诊.算法包括:对胸痛中心数据库心拍信号进行降噪及心拍分割;根据临床心内科医学诊断指南提取了12导联波形距离特征和分导联波形幅值特征;依据提取的特征搭建LSTM与BiLSTM神经网络进行心拍的分类识别;使用PTB公开数据库和胸痛中心数据库多临床中心进行交叉验证.实验结果表明,加入胸痛中心真实临床数据后,基于形态特征提取BiLSTM神经网络的急性下壁心肌梗死辅助诊断算法准确率达到99.72％,精度达到99.53％,灵敏度达到100.00％,同时F1-Score达到99.76.该算法比其他现有算法准确率提高至少1％,该项研究具有非常重要的临床应用价值.     

针对细微特征进行K-means聚类的电台分选识别技术

现代战场中的无线通信设备日益增多，精准获取个体信息已成为研究热点，但也是难点。针对通信电台，提出了一种分选识别技术。该技术从电台物理层特性出发，对其辐射信号的细微特征进行K-means聚类以实现分选，分选的同时提取各个个体的特征属性值，未知信号通过与特征属性值相关运算实现个体识别。该技术无需先验知识，无需训练运算，通过实验验证，其可行、高效，易于工程实现。     

使能未来工厂的5G能力综述

5G系统将移动通信服务从移动电话、移动宽带和大规模机器通信扩展到新的应用领域，即所谓对通信服务有特殊要求的垂直领域。对使能未来工厂的5G能力进行了全面的分析总结，包括弹性网络架构、灵活频谱、超可靠低时延通信、时间敏感网络、安全和定位，而弹性网络架构又包括对网络切片、非公共网络、5G局域网和边缘计算的支持。希望从广度到深度，对相关的理论及技术应用做透彻、全面的梳理，对其挑战做清晰的总结，从而为相关研究和工程技术人员提供借鉴。     

专题:6G的智能通信计算融合技术

内容导读目前,针对潜在6G关键技术的场景与需求研究成为学术界的热点。面向未来更多类型终端的智能互联与新兴服务的需求,人工智能应用于无线通信物理层的信道估计、编译码及接收机设计,解决基于大数据的网络自主优化,基于泛在无线感知和边缘侧的强大算力构成的多接入边缘计算,已成为6G无线技术发展的重要趋势。在未来智能车联网、物联网、有人/无人交互、全息通信等场景下,面向未来的智能通信计算融合需求,存在许多拟待解决的关键科学问题。     

基于推理注意力机制的二阶段网络图像修复

现有的图像修复方法在处理大面积缺失或高度纹理化的图像时，通常会产生扭曲的结构或与周围区域不一致的模糊纹理，无法重建合理的图像结构。为此，提出了一种基于推理注意力机制的二阶段网络图像修复方法。首先通过边缘生成网络生成合理的幻觉边缘信息，然后在图像补全网络完成图像的重建工作。为了进一步生成视觉效果更逼真的图像，提高图像修复的精确度，在图像补全网络采用推理注意力机制，有效控制了生成特征的不一致性，从而生成更有效的信息。所提方法在多个数据集上进行了实验验证，结果表明该图像修复方法的结构相似性指数达到了88.9%，峰值信噪比达到了25.56 dB，与现有的图像修复方法相比，该方法具有更高的图像修复精确度，生成的图像更逼真。     

EBZ-260型掘进机截割头截割性能研究

通过对EBZ-260型掘进机截割头的截割性能进行分析和研究,深入了解和掌握了相关截割头的数据参数、设计结构及载荷等情况,进一步研究了截割头的受力情况、形状结构及其截齿运行轨迹及安装分布等特性,可为截割工作提供必要的数据参考及理论基础,有利于重要部件的有限元分析,对研究掘进机整机受力的情况、截割的性能、所具备的可靠性及稳定性等方面具有重要作用.     

基于堆叠稀疏去噪自动编码网络与多隐层反向传播神经网络的铣刀磨损预测模型

刀具磨损状态是机械加工过程中需考虑的重要因素之一.针对铣刀磨损的在线预测问题,建立了一种基于深度学习的铣刀磨损预测模型.首先,将采集到的铣刀切削时的振动信号进行小波去噪后,利用快速傅里叶变换和小波包分解等技术提取时域、频域及时频域上的特征参数,并根据相关性分析从中筛选出合格的特征参数合并为特征向量,以此作为堆叠稀疏去噪自动编码网络(SSDAE)的含噪样本.其次,利用特征后处理的方式对已经筛选出的特征参数进行单调不递减及平滑处理,并将其作为SSDAE的无噪样本来训练该网络.然后,将经过SSDAE降维后的特征向量作为多隐层反向传播神经网络(BPNN)的输入,以这些特征对应的实际铣刀的磨损量作为标签对该网络进行拟合训练.最后,对训练好的模型进行实验验证,通过测试数据集和人为加入噪声的测试数据集的对比,结果显示所提模型不仅具有较高的预测精度,还具有较高的鲁棒性.