课程文献中心 更多>>

关键词： 离心泵   特征提取   多通道信息融合   多尺度卷积神经网络   门控循环单元  

摘要： 针对采用传统的诊断方法难以准确识别离心泵的关键水力部件叶轮在离心力、流体动力等综合作用情况下产生的机械故障这一问题，提出了一种多尺度卷积神经网络(MCNN)和门控循环单元(GRU)相结合的离心泵叶轮故障诊断方法。首先，在卷积神经网络的基础上引入了循环神经网络，建立了特征提取和故障分类模块，可以自动地对原始输入信号进行空间和时间特征提取并识别关键故障模式；然后，搭建了立式离心泵叶轮故障仿真实验台架，对叶轮不同故障下的泵体振动信号进行了采集，用于训练所提MCNN-GRU诊断模型；最后，利用MCNN和GRU搭建了的诊断模型和其他模型，对叶轮不同故障情况下的振动信号故障识别情况进行了对比，并对抗噪性能进行了分析。研究结果表明：无噪声情况下的单通道诊断准确率超过97.59%，在强噪声条件下多通道诊断准确率达99.13%，优于传统方法，表现出良好的抗噪性能；此外，通过三通道振动数据的融合，诊断准确率达100%，可验证多通道数据融合的优势。该研究结果可为离心泵叶轮故障诊断提供可靠的方案。

关键词： 叶轮   表面缺陷   半监督   域自适应   傅里叶约束   一致性正则化  

摘要： 随着工业智能化的发展，叶轮表面缺陷检测在保障设备安全与提升生产效率中扮演着关键角色。然而，实际工业环境下面临的缺陷样本信息不完备、样本标记耗时以及检测模型适应性差等问题制约着检测精度的提升。为解决这些问题，提出基于傅里叶约束的自适应一致性正则化（FACR）网络的叶轮表面缺陷检测方法。研究基于傅里叶变换的隐式信息约束策略，针对不同域的缺陷图片进行傅里叶变换得到相位和振幅，对振幅进行线性插值以增强样本信息，同时保证相位不变交换振幅的对应区域，使得模型关注相位信息（即结构信息），降低背景环境对检测模型的影响；引入课程学习思想动态调整阈值，解决固定阈值无法考虑不同类别的不同学习状态和学习难度导致复杂缺陷检测精度低的问题；结合迁移学习和半监督学习，引入自适应一致性正则化，综合预训练模型的知识以及半监督中带标签／不带标签数据的缺陷信息，提高模型检测性能；将原始样本与增强样本的分类结果作为衡量其对网络贡献性能的指标，并将贡献性能作为权重应用在分类损失上，使模型充分学习小样本下叶轮表面缺陷知识，提高实际工业环境下模型对叶轮表面缺陷检测的泛化能力。试验结果表明，与其他半监督域自适应方法比较，所提方法有效提升了叶轮表面缺陷检测精度，不仅为实际工业应用提供了有力的技术支持，也丰富了缺陷检测领域的技术手段，对于推动工业智能化和保障设备安全具有重要的理论价值和实践意义。

关键词： 量子计算   量子神经网络   多分类   量子线路  

摘要： 分类是量子机器学习的一个核心应用.本文针对当前纯量子分类器所存在的消耗量子比特数目多、在多分类任务上效果不尽如人意等问题,在量子图像的灵活表示(FRQI)的基础上,通过引入额外测量比特并将其与颜色量子比特位相连接,构造了一种可用于多分类任务的新型量子线路模型QCCE.该模型不仅继承了FRQI的编码优势,能用较少量子比特编码高维图像输入,同时所有可训练参数都在量子线路中,经典计算只提供损失函数和优化器.在MNIST以及Fashion MNIST等数据集上的实验表明, QCCE模型在三、四、五等多分类任务中,相比同类的HEA和MORE等量子线路模型在分类精度和收敛速度方面均展现出明显优势.本文的研究为量子机器学习在图像处理方面的应用提供了新思路和方法.

关键词： 產業政策   微電子技術   從實驗室到晶圓廠  

摘要： 2022年，美国通过《晶片与科学法案》（CHIPS and Science Act），旨在重振微电子制造业，减少对东亚供应链的依赖，并推出「美国微电子网络共享计画」（Microelectronics Commons），以加速新技术从实验室到晶圆厂的过渡（lab to fab），聚焦六大技术领域的试产与商业化。对台湾而言，尽管该计画可能带来挑战，但透过合作融入美国需求，台湾仍有机会强化其在微电子领域的价值与影响力。

关键词： 百合固金汤   支原体肺炎   网络药理学   分子对接   作用机制  

摘要： 目的 基于网络药理学和分子对接技术，探讨百合固金汤治疗支原体肺炎的作用机制。方法 通过TCMSP、Batman-TCM等数据库统计并筛选百合固金汤的有效活性成分和作用靶点，通过GeneCards数据库、Drugbank数据库、CTD数据库检索支原体肺炎的相关疾病靶点。利用韦恩图，将获得的成分靶点与支原体肺炎疾病靶点取交集，获得交集基因。利用Cytoscope3.10.2软件构建“药物-活性成分-靶点”网络图并分析核心作用靶点，同时构建PPI网络筛选关键蛋白。利用Metascape数据库和微生信云平台将交集靶点基因进行KEGG和GO通路富集分析，得到富集气泡图和柱状图。最后通过Autodock软件进行分子对接，探索关键成分与核心靶点的相互作用。结果 从百合固金汤10味药材中筛选出有效活性成分133种，潜在靶点650个，MPP疾病靶点454个以及交集基因99个。其中豆甾醇、γ-氨基丁酸、β-谷甾醇、槲皮素、山柰酚等关键活性成分以及TNF、IL6、TP53、AKT1、JUN等靶点在整个网络中发挥着关键作用。分子对接显示关键活性成分和核心靶点具有良好的结合活性。结论 百合固金汤治疗MPP的潜在机制可能是通过调节糖尿病并发症AGE-RAGE、NF-κB、HIF-1等信号通路，从而发挥抗炎、抗病毒、免疫调节等作用。

关键词： 胃早癌   内窥镜图像分割   病理诊断   深度学习   Transformer   特征融合   一致性   分割数据集  

摘要： 胃镜检查是通过检测和切除病变黏膜实现早期诊断和预防性治疗胃癌的医学诊断技术。深度学习方法在胃镜检测中具有较大应用潜力。目前缺乏供研究者使用的公开胃早癌数据集，现有内窥镜分割方法无法高效识别胃镜病灶。为解该问题，文中提出一个新数据集Colonoscopy，包含早期胃癌病灶分割任务和从健康到早期癌症阶段多分类任务。提出一种基于深度特征融合的内窥镜图像分割架构，采用预训练混合Transformer编码器(Mixed Transformer Encoder， MTE)为主干，使用深度融合特征金字塔解码器，以实现精准的病变分割。所提方法在Colonoscopy数据集上具有较好的分割性能，并在Kvasir-Seg和CVC-ClinicDB两个大型结肠镜分割数据集具有较强的泛化能力。

关键词： 低密度奇偶校验码   闭集识别   余弦校验关系   卷积神经网络  

摘要： 针对低信噪比环境下低密度奇偶校验码（low density parity check，LDPC）的识别率低的问题，本文提出了一种基于余弦校验关系分布的卷积神经网络（convolutional neural network，CNN）算法。该算法基于码字与正确和错误校验矩阵的余弦校验关系统计分布间的差异性，利用LDPC码与候选集校验矩阵计算得到的余弦校验关系的统计特性作为卷积神经网络的输入，利用卷积神经网络的深层信息挖掘能力，设计了一种结构简单的四层CNN模型，实现了LDPC码的有效识别。仿真结果表明，仅使用一个码字的条件下，在信噪比为3.25dB时，对码率1/2、2/3B、3/4A、3/4B、5/6，码长2304的LDPC码的正确识别率达到90%以上，与传统算法相比，性能提升了0.25～1.25dB。

关键词： 5G前传   WDM-PON   SRS非线性损伤   功率变化   灵敏度损失  

摘要： 为了满足5G前传网络的链路预算需求，通过VPI仿真软件分别测量了在C波段和O波段波长分配方案条件下，受激拉曼散射（Stimulated Raman Scattering， SRS）非线性损伤给基于波分复用无源光网络架构的5G前传网络带来的功率变化和灵敏度损失。仿真结果表明，在C波段波长分配方案条件下，当5G前传上下行波长单独传输且光纤长度为20km时，SRS非线性损伤给传输信号带来1.3dB功率损耗和0.6dB灵敏度损失。然而，当5G前传上下行波长与现有标准共存时，SRS非线性损伤造成的最大功率损耗增加至10.1dB，传输信号的灵敏度损失则无法预测（无法达到误码率阈值）。在O波段波长分配方案条件下，SRS非线性损伤造成的最大功率损耗和灵敏度损失分别为1.5dB和0.5dB。

关键词： Coherent optical communication   deep neural networks   machine learning   nonlinear components equalizer   soft demapping   Volterra series  

摘要： In optical fiber communication, optical and electrical components introduce nonlinearities, which require effective compensation to attain highest data rates. In particular, in short reach communication, components are the dominant source of nonlinearities. Volterra series are a popular countermeasure for receiver-side equalization of nonlinear component impairments and their memory effects. However, Volterra equalizer architectures are generally very complex. This article investigates soft deep neural network (DNN) architectures as an alternative for nonlinear equalization and soft-decision demapping. On coherent 92 GBd dual polarization 64QAM back-to-back measurements performance and complexity is experimentally evaluated. The proposed bit-wise soft DNN equalizer (SDNNE) is compared to a 5th order Volterra equalizer at a 15 % overhead forward error correction (FEC) limit. At equal performance, the computational complexity is reduced by 65 %. At equal complexity, the performance is improved by 0.35 dB gain in optical signal-to-noise-ratio (OSNR).