中国沿岸主要验潮站海图深度基准面的计算与分析

全球导航卫星系统干涉反射测量（global navigation satellite system-interferometric reflectometry,GNSS-IR）技术可利用信噪比（signal-to-noise ratio,SNR）数据包含的多路径信息反演潮位,但通常需限制仰角范围,导致可用数据量少以及时间分辨率不足。针对上述问题,提出一种数据质量控制方法,重构SNR残差序列获得仅受多路径影响的SNR序列,再设计并训练Transformer神经网络模型对数据进行分类,在潮位反演前筛除无效SNR数据,将高仰角数据纳入可用范围。实验表明,该方法可大幅度提升高仰角数据有效率,将反演站点的可用数据仰角范围扩展至5°~30°,从而显著提升可用数据量和潮位反演值的时间分辨率,对利用GNSS-IR技术的海啸、风暴潮实时监测等应用和长期海平面变化等海洋研究具有重要意义。

     

基于Transformer增强型U-net的CT图像稀疏重建与伪影抑制

实现低剂量计算机断层成像（CT）的一个有效办法是减少投影角度,但投影角度较少会产生严重的条状伪影,降低图像的临床使用价值。针对该问题,提出一种耦合卷积神经网络（CNN）和多种注意力机制的U型网络（TE-unet）。首先采用U型架构提取多尺度特征信息;其次提出一个包含CNN和多种注意力的模块提取图像特征;最后在跳跃连接处加入Transformer块过滤信息,抑制不相关特征,突出重要特征。所提网络结合CNN的局部特征提取能力和Transformer的全局信息捕获能力,辅以多种注意力机制,实现了良好的去条状伪影能力。在60个投影角度下,与经典的Uformer网络相比,峰值信噪比（PSNR）高出0.3178 dB,结构相似度（SSIM）高出0.002,均方根误差（RMSE）降低0.0005。实验结果表明,所提TE-unet重建的图像精度更高,图像细节保留的更好,可以更好地压制条状伪影。

     

非晶合金变压器对节能和环保作用

本文从概况、发展、优势、特点等方面介绍了非晶合金变压器,是目前节能效果较理想的配电变压器,适用于发展中地区和负载率较低的地方。     

液体-固体相互作用的电力变压器结构的地震响应分析

本文采用有限单元法分析了电力变压器结构的动力特性,并考虑了其中液体对变压器结构动力特性的影响。文中提出一种可供变压器结构抗震分析的方法并以ＳＦＳＺ８－３１５００／１１０型变压器为例进行了理论计算,结果表明：本文提供的分析方法是可靠的,可以满足电力变压器行业抗震设计分析的需要。     

基于集成GCN-Transformer网络的ENSO预测模型

厄尔尼诺−南方涛动（El Niño-Southern Oscillation, ENSO）是热带太平洋海表面温度发生异常的现象,会导致冰雹、洪水、台风等极端天气的出现,因此对ENSO的准确预测意义重大。本文设计了集成GCN-Transformer（GCNTR）模型,首先运用Transformer网络的全局特征聚焦能力对数据特征进行编码,然后结合GCN提取图数据特征的能力,最后引入特征融合门控机制将经过编码的特征和GCN提取的特征进行融合,实现ENSO的精确预测。结果表明,GCNTR模型实现了对ENSO提前20个月的预测,比ENSOTR多了3个月,比Transformer多了5个月,并且模型绝大部分的预测精度优于其他模型。与现有的方法相比,GCNTR模型能够实现对ENSO更好的预测。     

基于AD598的伸缩仪放大电路设计

伸缩仪多用于地壳形变观测,但其在工程中亦有较大的应用前景.现用的放大电路精度高但电路复杂、成本过高,造成其工程应用方面的局限性.介绍基于单片式线位移差动变压器(LVDT)信号调节器AD598设计的全新伸缩仪放大电路,作为伸缩仪放大电路的补充,体现了其在工程应用中简单可靠、成本低的优势.     

融合Transformer结构的高分辨率遥感影像变化检测网络

为解决遥感影像变化检测全局上下文信息捕获的问题,本文提出了基于孪生结构、跳跃连接结构及Transformer结构的TSU-Net。该模型编码器采用混合CNN-Transformers结构,借助自注意力机制捕获遥感影像的全局上下文信息,增强了模型对于像素级遥感影像变化检测任务的长距离上下文建模能力。该模型在LEVIR-CD数据集和CDD数据集进行测试,F1得分分别为90.73和93.14,优于各对比模型。     

新疆中生代煤中半镜质组特征及其研究意义

煤岩显微组分组的识别对分析煤炭化学性质起到关键作用。人工识别方法费时费力,且专业性要求较高。现有的计算机辅助识别有效方法多以深度学习语义分割模型为手段,但因煤岩显微图像组成复杂,且存在过渡组分,因此无法准确识别煤岩显微组分组。针对此问题,提出改进的DeeplabV3+语义分割模型,在改进模型中引入Swin Transformer骨干网络和SkNet网络。首先,针对煤岩显微图像各个组分组交错杂糅且存在过渡组分,特征提取困难,利用Swin Transformer骨干网络作为基础特征提取网络,提升模型对煤岩显微图像每种组分组的特征提取能力,并使得分割网络获得特征间信息交互的能力;其次,针对在模型中空洞空间卷积池化金字塔模块对特征利用率低的问题,将SkNet网络融入空洞空间卷积池化金字塔模块,强化空洞空间卷积池化金字塔模块对重要特征的提取能力,并抑制非必要特征对最终预测结果的干扰;最后,将改进的DeeplabV3+模型与现有先进算法通过实验进行性能比较,结果表明：改进的DeeplabV3+语义分割模型在煤岩显微图像测试集上的像素准确率为92.06%,与随机森林方法、U-Net语义分割模型和DeeplabV3+语义分割模型相比像素准确率分别提高了9.48%、6.90%和3.40%;改进的DeeplabV3+语义分割模型与人工点测方法测试结果相近。改进的DeeplabV3+语义分割模型较现有煤岩显微组分组自动识别模型性能更优,可作为一种强大的计算机辅助人工识别煤岩显微组分组的手段。

     

S7-200/10 变型变压器抗震分析

本文采用有限元法分析了电力变压器结构的抗震特性，并考虑了其中液体对变压器结构动力特性的影响。文中提供了一种可供变压器结构抗震分析的方法，并以Ｓ７－２００／１０型变压器为例进行了理论计算和原型实验。结果表明：本文提供的分析方法是可靠的，可以满足变压器行业抗震设计分析的需要。     

深度Transformer迁移学习的页岩气储层核心参数预测案例

地层纵横向非均质性强, 工区间数据分布存在差异.这导致基于已有工区数据构建的机器学习储层参数预测模型, 推广到新工区会存在较大预测误差.常规地质方法是在岩心与测井响应特征分析基础上建模, 利用测井资料计算储层参数, 流程复杂.该方法需要岩心校准模型, 同样难以快速推广到新的工区.考虑地层纵横向非均质性, 本文设计了一种深度Transformer迁移学习网络, 通过已有工区的测井与岩心资料构建预测模型, 实现未取心新工区储层参数快速准确预测.首先利用无监督学习算法-孤立森林剔除测井数据中存在的异常噪声数据.然后设计Transformer特征提取网络, 提高网络特征提取能力, 以此深入挖掘测井数据与储层参数的内在联系.最后设计深度迁移学习网络, 构建网络损失函数, 利用随机梯度下降算法优化网络参数, 实现储层参数准确预测.本方案应用于四川南部地区五峰组—龙马溪组页岩储层参数孔隙度、总有机碳含量和总含气量预测.实验结果与工区校正后计算结果、主流机器学习模型预测结果对比, 本方案结果与岩心数据具有更高的一致性.应用结果表明: 本文方案具有实用性、有效性和可推广性.