本工作根据φ250mm×5+φ300mm×1半连续小型轧机力能参数、动态速降与成品尺寸分布的测试资料,着重对产品精度进行了统计分析,明确了“大头—大尾”以及成品尺寸沿长度上高频率波动的形成机理,应用电流记忆法估算了K2—K1机架间的张力水平;指出欲进一步提高产品精度、稳定连轧过程,必须开发型钢连轧的微张力控制技术

介绍感应脉冲粘度计的原理、制作及使用。它适用于测量各种炉渣及熔融金属的粘度,具有很宽的测量范围及良好的灵敏度。着重讲述粘度计的电子显示技术、检测电路设计和调试。采用感应脉冲方法将粘度这个非电的物理量变换成电讯号,用数字仪表直接显示读出,精度为±1.5%。在数据的积分、记忆过程中,以新的电路设计和应用集成电路运算放大器保证了良好的准确度,从而代替了价格很贵的数模转换电子设备。粘度大小随试样温度升降而变化能作连续测量,配用x—y函数记录仪便自动记录画出粘度—温度关系曲线。从脉冲间隔取出粘度数值这种方法有很好的重现性,而采用感应调谐回路产生脉冲则能排除各种干拢,这两方面是本粘度计的特点。从电路设计、实物制作、运转调试等方面介绍必要的计算公式及统调经验

基于面部动态表情序列，针对静态表情缺少时间信息等问题，将空间特征与时间特征融合，利用神经网络在图像分类领域良好的特征，对需要进行细节分析的表情序列进行处理，提出基于分离式长期循环卷积网络(Separate long-term recurrent convolutional networks, S-LRCN)的微表情识别方法。首先选取微表情数据集提取面部图像序列，引入迁移学习的方法，通过预训练的卷积神经网络模型提取表情帧的空间特征，降低网络训练中过拟合的危险，并将视频序列的提取特征输入长短期记忆网络(Long short-team memory, LSTM)处理时域特征。最后建立学习者表情序列小型数据库，将该方法用于辅助教学评价

针对一类具有凸多面体不确定常参数的离散时间时滞系统,研究其H∞最优保性能预见控制器的设计方法.首先,与以往不同,本文的扩大误差系统仍然保留了时滞,以保证扩大误差系统的状态向量维数不随时滞的增加而增加.其次,针对所构造的扩大误差系统,设计有记忆的状态反馈控制器,并利用线性矩阵不等式方法,导出确保所求控制器存在的条件及该控制器设计的方法.最后,通过建立并求解一个含线性矩阵不等式约束的凸优化问题,给出扩大误差系统的鲁棒H∞保性能控制器,该控制器对于原系统来说就是鲁棒H∞保性能预见控制器

提出基于双向长短期记忆网络（bidirectional long short-term memory，BiLSTM）和前向神经网络的融合模型完成公共安全事件的触发词识别任务.首先通过BiLSTM提取整段文本的高层语义特征，避免了以往机器学习方法需要人工提取特征的问题，其次采用特征拼接并在前向神经网络中识别并分类事件触发词.实验结果表明相较于基准模型，本文方法在中文突发事件语料库（Chinese emergency corpus，CEC）上取得了更为突出的性能，Micro-F1值为78.47%.此外本文讨论了不同拼接特征在触发词识别任务中的重要性，对文本分析中3类特征（词性、句法、实体）的重要程度进行了比较和分析，得出句法特征对于事件触发词识别任务助益最大的结论

连续血糖监测在糖尿病管理中具有重要的意义。目前糖尿病患者主要通过指尖采血或植入式微创传感器监测血糖，但上述方法存在疼痛、成本昂贵、易感染等问题，因此，无创监测是实现连续血糖监测的理想技术。本文利用心电(ECG)信号，提出了一种血糖水平无创监测的方法：通过获取12名志愿者共60 d 756160个ECG周期信号，利用递归滤波器实现ECG信号的滤波，并采用卷积神经网络和长短期记忆网络相结合(CNN-LSTM)的方法，实现了血糖水平的十分类监测，并通过实验探索了个体建模和群体建模2种建模方式的差异。结果表明，在个体建模和群体建模的条件下，血糖监测精确率分别约达到80%和88%。其中群体建模10分类的F1值可达到0.95、0.88、0.91、0.85、0.92、0.88、0.86、0.86、0.87和0.86。研究表明，本文提出的基于ECG的无创血糖监测方法为实现血糖水平的实时、精准监测提供了一种有力的理论支撑与技术指导

针对机器或设备的剩余寿命（Remaining useful life, RUL）预测精度低的问题，提出基于一维卷积神经网络（Convolutional neural network, CNN）和双向长短期记忆（Bidirectional long short-term memory, BD-LSTM）的集成神经网络模型。为了更好地抽取时间序列上的特征，以及产生更多的训练样本，采用滑动窗口对数据进行处理，同时采用卡尔曼滤波对数据进行降噪处理，将数据标准化以及设置RUL标签。与人工提取特征不同，利用一维CNN对数据进行特征提取，并舍弃了CNN中的池化层。然后将提取到的高维特征输入到BD-LSTM进行回归预测，并采用Bagging的方式对此神经网络进行集成来预测RUL。最后通过在NASA的数据集上验证该模型的有效性，以及相比于其他机器学习或者深度学习模型的优越性，实验表明所提模型在RUL预测方面更加准确

为了给数控机床故障的精准诊断提供保障，延长数控机床使用周期，以数控机床历史维修记录为研究对象，对数控机床设备故障领域的命名实体识别进行了研究。在分析历史维修记录中的故障描述特点后，提出了一种基于双向长短期记忆网络（Bidirectional long short-term memory, BLSTM）与具有回路的条件随机场（Conditional random field with loop, L-CRF）相结合的命名实体识别方法。首先，对输入语句进行分词和标注，使用Word2vec中的Skip-gram模型对标注语料进行预训练，将其生成的字向量通过词嵌入层转化为字向量序列；然后，将字向量序列输入BLSTM学习长期依赖信息；最后将句子表达输入L-CRF获取全局最优序列。实验结果表明，该方法明显优于其他命名实体识别方法，为数控机床设备的智能检修与实时诊断任务打下了坚实的基础

中文电子病历文本包含大量嵌套实体、句子语法结构复杂、句式偏短。为有效识别其医疗实体，提出一种融合多特征嵌入与注意力机制的命名实体识别算法，在输入表示层融合字符、单词、字形三个粒度的特征，并在双向长短期记忆网络的隐含层引入注意力机制，使算法在捕获特征时更加关注于医疗实体相关的字符，最终实现对中文电子病历中疾病、身体部位、症状、药物、操作五类实体的最优标注。面向开源和自建糖尿病数据集的实验结果中所提算法的实体识别准确率、召回率和F1值都达到97%以上，表明其可以更加有效地识别中文电子病历中各类实体

《工程科学学报》：基于磁记忆检测的桥钢箱梁翼缘损伤状态力磁研究