长三角地区是我国城镇化程度最高的地区之一,下垫面存在典型的非均匀性特征,复杂下垫面结构甚至体现在亚公里级尺度.为了探讨城镇化背景下土地利用精细化对气象环境的影响,本文利用高分辨率土地利用数据探讨了次网格非均匀性对长三角地区气象环境模拟的影响.在基于WRF(Weather Research and Forecasting model)模式对2020和2022年夏季的数值模拟过程中,分别采用Noah_mosaic/Noah陆面方案开展是否考虑次网格非均匀性的高分辨率敏感性试验.结果表明,相比Noah方案,Noah_mosaic方案模拟结果与观测的相关性更高,误差更小,说明其能更好地反映城市群区域复杂下垫面物理过程.考虑次网格非均匀性后,城区变冷变湿,郊区变暖变干,这种变化在夜间更为显著,尤其是温度场,白天城区/郊区平均温度变化为-0.04℃/0.05℃,夜间城区/郊区平均温度变化为-0.14℃/0.53℃.非均匀性对模拟结果的影响可达到400 m高空,特别是在夜间增加了郊区大气的不稳定性.同时,夜间几乎整个陆地区域内的体感温度增加约0.27℃.此外,研究还发现当格点中建筑占比小于50%时,除了日最低温T_(min)以外,气象要素随着建筑占比的增加变化幅度较大,T_(mean)和T_(max)增率分别达到0.29℃/10%和0.55℃/10%,反之,则T_(mean)和T_(max)增率仅为0.1℃/10%和0.06℃/10%,这说明低建筑密度区域的小城镇未来发展将对气象环境产生更大的影响.
针对滚动轴承故障诊断中样本分布不均衡引起的模型泛化能力差、诊断精度低的问题,从两个方面展开研究:(1)故障样本增广,提出结合变分自编码器(VAE)和生成对抗网络(GAN)的VAE-GAN样本增广模型;(2)改进分类算法,提出基于焦点损失(FL)和卷积神经网络(CNN)的FLCNN(focal loss and convolutional neural network)样本分类模型。在此基础上,将VAE-GAN和FLCNN融合,构建VAE-GAN+FLCNN轴承故障诊断模型。首先,将样本量少的故障类输入VAE-GAN模型,通过交替训练编码网络、生成网络和判别网络,学习出真实故障样本的数据分布,从而实现故障样本的增广;然后用增广后的数据样本训练FLCNN分类模型,完成轴承故障识别。试验对比结果表明,所提方法能够有效提升样本不均衡条件下的轴承故障诊断效果,拥有更高的Recall值和F1-score值。
为了解决自动文本摘要任务存在的文本语义信息不能充分编码、生成的摘要语义冗余、原始语义信息丢失等语义问题,提出了一种融合知识和文本语义信息的双编码器自动摘要模型(dual-encoder automatic summarization model incorporating kn...
详细信息
为了解决自动文本摘要任务存在的文本语义信息不能充分编码、生成的摘要语义冗余、原始语义信息丢失等语义问题,提出了一种融合知识和文本语义信息的双编码器自动摘要模型(dual-encoder automatic summarization model incorporating knowledge and semantic information,KSDASum)。该方法采用双编码器对原文语义信息进行充分编码,文本编码器获取全文的语义信息,图结构编码器维护全文上下文结构信息。解码器部分采用基于Transformer结构和指针网络,更好地捕捉文本和结构信息进行交互,并利用指针网络的优势提高生成摘要的准确性。同时,训练过程中采用强化学习中自我批判的策略梯度优化模型能力。该方法在CNN/Daily Mail和XSum公开数据集上与GSUM生成式摘要方法相比,在评价指标上均获得最优的结果,证明了所提模型能够有效地利用知识和语义信息,提升了生成文本摘要的能力。
暂无评论