不同治则方药对拟血管性痴呆鼠学习与记忆的作用

目的　探讨不同治则方药对拟血管性痴呆鼠学习与记忆能力的影响及其临床意义。方法　建立血管性痴呆模型 ,通过跳台试验测试其学习与记忆的能力并观测不同治则方药的作用。结果　用药组中健脑益智口服液组与涤痰汤组较金匮肾气丸组及桃红四物汤组能显著提高拟血管性痴呆鼠学习与记忆的能力 (P <0 .0 5 )。健脑益智口服液组与涤痰汤组之间无显著性差异 (P >0 .0 5 ) ,金匮肾气丸组与桃红四物汤组之间无显著性差异 (P>0 .0 5 )。结论　血管性痴呆的中医证侯可能以痰浊蒙蔽清窍为主 ,提示临床治疗血管性痴呆以涤痰开窍为主。     

片体间距对SWATH船横向波浪载荷的影响

小水线面双体船独特的片体结构使横向波浪载荷成为其最危险的波浪载荷。在小水线面双体船设计初期,片体间距的确定十分重要。本文根据工程中某小水线面双体船的相关资料,对其正常装载状态、满载状态和最大排水状态3种装载状态进行波浪载荷预报。采用三维频域计算方法,对不同片体间距的小水线面双体船进行波浪载荷预报,给出各横向波浪载荷分量的RAO值和长短期预报值,并将波浪载荷的长期预报值与ABS和CCS中载荷的规范值进行比较。通过比较不同片体间距小水线面双体船的载荷预报值,得到小水线面双体船片体间距对其波浪载荷的影响特性,为小水线面双体船的初步设计提供依据。     

灰色记忆 Porsche Caymen

那是一片不可触摸的灰色空间,任阳光灼烈,却只留下孤寂的天空;那是一处刻有鲜艳记忆的灰色地标,埋藏在心底许久的爱和痛正蓄势待发。刚毅的轮廓下隐藏着一颗洒脱的心,深邃的眼神中闪烁着—丝丝坚定,是对过往的心碎,抑或是对未来的心醉?     

2007，汽车记忆的瞬间

春花秋实,一年又一年。 时光流动如车轮,滚动着2007年呼啸而来又飞驰而去。青春成长,得失成败,阳光灿烂的故事和浮华背后的悲哀都将被掂量成往事,在千帆过尽的岁月里铿锵或嗟叹,我们要做的惟有记录这一年,记住这一年,纪念这一年!     

基于LSTM的电池组工作状态预测

运用长短期记忆神经网络（LSTM）对电池的电压、电流、荷电状态（SOC）进行预测。考虑驾驶行为对电池组工作状态的影响,确定了含加速度、车速、电压、电流、SOC在内的多参数LSTM模型;根据中国亿维新能源车辆云平台数据,采用Adam优化算法完成对LSTM模型的训练、测试与预测。结果表明：多参数LSTM模型可有效预测电池的SOC和电压变化状态,电流均方误差由14.848%降到3.192%。     

基于舰载雷达小样本的低慢小目标识别方法

本文针对舰载雷达低、慢、小目标探测面临的小样本识别问题,提出一种基于小样本学习的低慢小目标分类识别方法。该方法将低慢小目标雷达回波数据转换到小波变换域,利用多头注意力机制和双向长短记忆人工神经网络相结合的方式,解决了小样本目标分类识别的问题。在低慢小目标雷达回波仿真数据集上,开展模型训练和算法验证,分析任务差异性与识别准确率的关系,实验结果表明该方法对典型低慢小目标识别精度可达90%以上,在雷达目标识别领域具有较好的应用价值。     

基于SWLSTM的换热器在线性能预测

换热器是一种把热量从一种介质传递到另一种介质的装置。由于换热表面污垢的存在,换热器的性能随着时间的推移而恶化。为了保持换热器的高效率,有必要定期对换热器的性能进行评估,在线监测的工艺参数能够帮助对换热器换热性能进行预测。本文利用温度和流量等参数计算表征换热器性能相关的指标,并基于共享权重长短时记忆网络（SWLSTM）建立预测模型,利用历史运行数据对其进行训练。通过与验证数据比较,验证了所建立模型预测的高精度和快速性;同时与传统神经网络模型进行比较,可见本模型在预测精度的优越性。通过换热性能参数的预测,能够合理规划停机清洗时间,降低成本。     

考虑峰值数据重平衡的地铁客流预测研究

地铁客流预测是城市轨道交通系统日常运营管理的基础,尤其是对突发大客流影响时的准确客流预测,能够有助于缓解城市地铁运营压力并降低安全风险。虽然目前的地铁客流预测方法在对日常客流预测准确性上有较好的表现,然而由于忽视了客流波动造成的客流峰值和谷值数据量不平衡,其对客流的峰值预测效果并不佳。为了进一步提高客流预测精度,考虑从峰值数据自身特征出发,通过聚类模型判断客流类别并验证不同客流类别间显著的不平衡问题,参照分类任务中类别不平衡问题的处理方式,通过欠采样、随机过采样和合成少数类过采样3种数据平衡方式,实现客流平衡处理。同时,采用支持向量回归、人工神经网络和长短时记忆神经网络3种预测模型,进行客流预测并对比不同数据平衡方式对模型性能的影响。研究结果表明：相比于未对训练集进行数据平衡处理,类别平衡在一定程度上提升了模型的预测精度;基于合成少数类过采样技术平衡数据的支持向量回归模型可以提供最佳的进站客流预测精度;基于随机过采样技术平衡数据的长短时记忆神经网络模型可以提供最佳的出站客流预测精度。研究结果可为客流波动较大情况下的城市轨道客流精准预测提供理论依据。     

基于LSTM的燃料电池发动机寿命预测

随着工业4.0和数据科学的发展,利用数据对氢燃料电池发动机剩余寿命进行预测,将有利于提前发现发动机性能退化问题,进而及时采取维护保养措施,对发动机安全运行以及延长发动机运行寿命至关重要。传统发动机寿命预测一般基于机理模式的经验判断或者数理统计,但在氢燃料电池发动机这个技术尚不稳定成熟的发展阶段,传统手段无法保证相对较低的误差。本文在不依赖于机理模式的情况下,利用传感器收集的数据,基于神经网络深度学习的模式,构建一种基于数据驱动的长短期记忆神经网络（LSTM）的剩余寿命预测模型,通过机器的训练与学习,分析预测氢燃料电池发动机的寿命衰减情况,为预测性维护提供数据支持。     

地铁短时客流预测改进LSTM方法

短时客流预测可为轨道交通运营部门规划调度提供参考,其中短时客流预测的精准性尤为重要,为进一步提高城市轨道站点短时客流预测精准性,提出一种结合集合经验模式分解算法和贝叶斯优化算法的改进LSTM方法。先使用集合经验模式分解算法(EEMD)对地铁站点的客流数据进行分解,以减少数据噪声干扰;再通过贝叶斯优化算法(BOA)对长短时记忆神经网络(LSTM)的超参数进行优化,从而提高模型的参数精确性。采用真实的客流数据验证结果表明：相较于单一LSTM以及单层组合模型,双重叠加后的EEMD-BOA-LSTM组合模型预测结果平均绝对误差降低21.8%～44.8%,均方根误差降低16.9%～47.4%,对短时客流的预测结果误差改善显著。