摘要：目前基于新闻内容的假新闻检测方法没有考虑到不同模态更高层的语义关联,缺少可以依据的信息对新闻进行判断,从而缺乏对有重要辨别特征的新闻的社交网络信息进行有效使用.针对这个问题,提出了基于新闻内容的假新闻检测方法,通过提取文本、图像和视频等多模态新闻的高层语义特征,分析不同模态高层语义信息,设计跨模态主题一致性和跨模态情感一致性计算方法.在此基础上,设计了一种跨模态内容语义一致性的假新闻检测模型MMCSC(multi-modal feature content semantic consistency).实验证明,相比于传统方法,所提出的MMCSC有较好的检测效果.

摘要：针对碳捕集电厂的高能耗及CO_(2)的后续利用问题,设计了一种二次再热燃煤-捕碳-制甲醇一体化系统。以某1000 MW超超临界二次再热机组为例,采用动态自适应粒子群优化算法对所提系统参数进行优化计算,分析了碳捕集率和光电制氢成本等因素对系统性能的影响。结果表明:当碳捕集率为90%时,一体化系统的热效率相比燃煤-捕碳机组提高了6.62%,CO_(2)排放强度降低了4.45 g/(kW·h),净收益提高了33.42亿元;当碳捕集率在40%~90%内变化时,一体化系统的热效率能够稳定保持在49%以上;随着未来光电制氢成本的下降,一体化系统的净收益将显著提升。

摘要：非连续增强钛基复合材料(DRTMCs)具有高比强度、低密度、优异的耐蚀性等诸多特性,在航空航天、国防工业、交通运输等领域具有广泛的应用前景。石墨烯具有良好的本征物理和力学性能,是近年来的二维碳纳米“明星”材料,被视为极具潜力的DRTMCs纳米增强体。国内外研究者聚焦DRTMCs设计与制备,突破了低温快速成型和界面改性等关键技术,初步实现了界面精细调控和微观构型,获得石墨烯在钛基体中的本征增强,制备出强塑性匹配较好的DRTMCs。简要综述近些年来石墨烯增强钛基复合材料的设计方法和制备工艺,探讨界面反应、界面结构、微观构型等关键因素对复合材料力学性能和失效机制的影响规律,并提出石墨烯增强钛基复合材料未来的发展方向。

摘要：为推广拓扑优化设计方法的工程应用,需要在设计过程中考虑结构鲁棒性以应对实际工程荷载的随机性。本文基于神经网络提出了鲁棒性结构拓扑优化设计的高效方法。该方法通过优化Fourier-TOuNN神经网络的权值更新描述结构拓扑的密度变量,并引入随机荷载下结构柔顺度平均值和标准差的加权总和作为目标函数,从而定义了随机荷载下的结构鲁棒性优化问题。利用神经网络的自动反向微分功能,实现了优化过程中灵敏度的直接求解。借助Fourier-TOuNN细部尺寸可控特性,可在结构中生成细小支撑以抵抗随机荷载。数值算例表明,采用本文提出的方法可以高效地获得鲁棒性稳健的优化设计结果。

摘要：针对坯布图像疵点相对占比小、易湮没在面料背景中,且疵点形状不规则、边缘难以有效分割的问题,提出了一种基于显著性检测的坯布疵点图像自适应分割方法.该方法采用视觉显著性方法分析疵点在坯布图像上的光强分布、形状及颜色差异特性,设计多视觉显著性特征函数,对显著性区域进行超像素标注;提出计算自适应分割阈值的方法提取疵点边界细节,对坯布图像上的疵点区域进行分割定位,实现疵点的精确检测.结果表明:该方法能够获得内部均匀致密且边界清晰明确的疵点图像区域,6类疵点的整体检测精度达到98.26%,提高了坯布疵点图像分割效果.

摘要：高外水压力是制约超深埋水工隧洞建设的关键性难题之一,以排水孔为中心的综合堵排措施是降低外水压力的主要举措。为克服传统排水孔实体单元法整体网格划分难度大和计算效率较低的问题,首先,基于ABAQUS平台开发了两节点排水孔线单元模型,并验证其在隧洞工程数值模拟分析中的正确性和有效性;其次,建立了考虑防渗排水措施的围岩-衬砌三维有限元模型,研究多种防渗排水措施下的隧洞渗流场及衬砌外水压力分布规律;最后,探讨了防渗灌浆圈与排水孔设计参数对外水压力分布的影响,提出了防渗灌浆圈与排水孔间隔布置的原则。研究结果表明:所开发的两节点排水孔线单元具有较高的精度,在排水孔数目繁多的模型中具有极高效率;排水孔数目越多、深度越大、排距越小,衬砌外水压力越低;排水孔能够有效降低衬砌的外水压力,而防渗灌浆圈降外压能力有限;在排水孔末端间隔一定厚度围岩后再施作防渗灌浆圈,可更有效发挥两者的降压作用。

摘要：研究具有广泛场景适应性的自动驾驶汽车的驾驶策略,对实现安全、舒适、和谐的自动驾驶至关重要。深度强化学习以其优异的函数逼近和表示能力,在驾驶策略学习方面展示了巨大潜力。但设计适用于各种复杂驾驶场景的奖励函数极具挑战性,驾驶策略的场景泛化能力亟待提升。针对复杂驾驶场景下的奖励函数难以设计问题,考虑人类驾驶行为偏好,建立人类驾驶策略的近似似然函数模型,通过基于曲线插值的动作空间稀疏采样和近似变分推理方法,学习奖励函数的近似后验分布,建立基于贝叶斯神经网络的奖励函数模型。针对神经网络奖励函数不确定性产生的错误奖励,采用蒙特卡洛方法,对贝叶斯神经网络奖励函数不确定性进行度量,在最大化奖励函数的同时,对认知不确定性进行适当惩罚,提出基于奖励函数后验分布的不确定性认知型类人驾驶策略训练方法。采用NGSIM US-101高速公路数据集和nuPlan城市道路数据集,对所提出方法的有效性进行测试和验证。研究结果表明,基于贝叶斯逆强化学习的近似变分奖励学习方法,克服基于人工构造状态特征线性组合的奖励函数性能不佳的问题,实现奖励函数不确定性的度量,提升奖励函数对高维非线性问题的泛化能力,其学习的奖励函数及训练稳定性明显优于主流逆强化学习方法。在奖励函数中适当引入不确定性的惩罚,有利于提升驾驶策略的类人性、安全性及其训练的稳定性,提出的不确定性认知型类人驾驶策略显著优于行为克隆学习的策略和基于最大熵逆强化学习的策略。

摘要：匹配量隐藏的加密多重映射(EMM)方案可以防止攻击者利用匹配量泄露推理搜索的明文,但是现有方案存在查询计算开销较大的问题。基于被检索数据的匹配量往往服从齐夫定律的特性,设计了一种分层结构的匹配量隐藏EMM方案。相对将全部键值匹配量填充至相等的朴素设计,所提方案将对整体数据的填充转为对多块子数据的填充,减少了存储开销,并实现了常数复杂度的查询开销。安全性分析表明,所提方案能够在查询结果无损的情况下实现匹配量隐藏。仿真结果表明,与当前最高效的方案XorMM相比,所提方案能够以增加10%的存储开销为代价,减小90%的查询计算开销,显著提高查询效率。

摘要：火灾的发生给社会带来了巨大损失,森林火灾防治任务日益迫切,而全球变暖的趋势使得这一问题更加复杂。深度学习在各行各业发挥着重要作用,大量模型也被不断地设计和提出,且模型改进的方式多种多样。文中提出了EfficientNet-E模型,它利用更为先进的ECA模块(高效通道注意力模块)来替换EfficientNet模型中的SE模块,通过增强注意力机制性能提升模型的性能。相较于SE模块,ECA模块更好地保留了传输中的信息,使得数据特征在传输过程中保留更充分,从而能够优化模型。为验证EfficientNet-E模型的性能,以及EfficientNet设计思想在森林火灾识别问题上相较于传统模型的优势,文中选取了经典模型中的代表——ResNet和DenseNet作为对照参考,并结合EfficientNet和EfficientNet-E进行了相关实验。实验选用3303张森林火灾、非火灾和烟雾图片。多轮试验结果显示,EfficientNet-E在识别森林火灾数据上的效果要好于常规的经典深度学习模型,且相较于原始EfficientNet的平均准确率(89.28%),EfficientNet-E的平均准确率(90.04%)有所提升,标准差更小,训练稳定性也更好,从而证实了改进后的EfficientNet-E性能更加优良。

摘要：有限域上射影码在组合设计和强正则图中有重要应用.本文首先构造一类二元线性码并在四种情形下研究其参数和重量分布,结果表明这类线性码是射影码且在两种情形下是最优码,它们的对偶码关于球填充界最优或几乎最优;然后利用这些射影码构造t-设计和强正则图.