排序方式: 共有5条查询结果,搜索用时 15 毫秒
1
1.
自动轧管机顶头氧化工艺优选 总被引:1,自引:0,他引:1
通过三种顶头氧化工艺方案的实验、解剖分析,实际使用比较,从中找出最佳氧化工艺方案。 相似文献
2.
随着轧钢技术的进步,轧机向自动化、连续化方向发展,对轧辊的精度、性能等要求也越来越高。目前,我国各大钢厂冷连轧机组已大量使用8Cr5MoV材质的锻钢冷轧工作辊。在轧制一些高强度钢板时,特别是在冷连轧机后机架和平整机上,普通8Cr5MoV材质的锻钢冷轧工作辊经常出现表面粗糙度值增高过快,造成“打滑”等现象出现,这不仅增加了轧辊的消耗,而且也影响产品质量和生产节奏。如何提高轧辊的耐磨性,延长轧制周期,提高生产效率,成为轧辊制造厂家的新课题。 相似文献
3.
目前深度学习已经广泛应用于英文文本摘要领域,但是在中文文本摘要领域极少使用该方法进行研究。另外,在文本摘要领域主要使用的模型是编码-解码模型,在编码时输入的是原始的文本信息,缺乏对文本高层次特征的利用,导致编码的信息不够充分,生成的摘要存在词语重复、语序混乱等问题。因此,提出一种局部注意力与卷积神经网络结合的具备高层次特征提取能力的编码-解码模型。模型通过局部注意力机制与卷积神经网络结合的方式提取文本的高层次的特征,将其作为编码器输入,此后通过基于全局注意力机制的解码器生成摘要。实验结果证明,在中文文本数据集上该模型相对于其他模型有着较好的摘要效果。 相似文献
4.
评分数据稀疏是影响评分预测的主要因素之一。为了解决数据稀疏问题,一些推荐模型利用辅助信息改善评分预测的准确率。然而大多数推荐模型缺乏对辅助信息的深入理解,因此还有很大的提升空间。鉴于卷积神经网络在特征提取方面和注意力机制在特征选择方面的突出表现,该文提出一种融合卷积注意力神经网络(Attention Convolutional Neural Network, ACNN)的概率矩阵分解模型: 基于卷积注意力的矩阵分解(Attention Convolutional Model based Matrix Factorization, ACMF),该模型首先使用词嵌入将高维、稀疏的词向量压缩成低维、稠密的特征向量;接着,通过局部注意力层和卷积层学习评论文档的特征;然后,利用用户和物品的潜在模型生成评分预测矩阵;最后计算评分矩阵的均方根误差。在ML-100k、ML-1m、ML-10m、Amazon数据集上的实验结果表明,与当前取得最好预测准确率的PHD模型相比,ACMF模型在预测准确率上分别提高了3.57%、1.25%、0.37%和0.16%。 相似文献
5.
1