心灵的安顿 邓枫及其人物画创作解读

我一直很欣赏喜多郎的音乐，那种厚重的鼓声和飞天的祥云怎能不让人产生联想和共鸣？那种升腾、奔放、激烈、委婉不仅仅让人热血沸腾，当你置身其中时，历史的沧桑和文化的积淀亦沉浸其中，漫过心海，那种斑驳的记忆如同陈年老酒，愈发显得醇厚、甘甜，生命中的记忆之树永远散发着青春的活力。在邓枫的画境中，就若隐若现出这种文化的辉光。     

找乐

《家在北极村》陈升2011年12月23日这些年升哥去过东北好几趟,留恋难忘东北大地特有的冷冽氛围,每再去一次的记忆都与旧时光的美好层层重迭,光影时分交错,心中油然升起万千感触。行走环顾之间,怀抱"流浪"的本质,身处异地的思念和远方家乡的气味,竟在瞬间有了交集。关于东北回忆,是陈升让过去和现在的自己终于碰头的旅行。     

《革命圣地油画作品展》在沪举行

在中国共产党建党九十周年之际,长三角油画艺术交流中心承办的《红色的记忆——革命圣地油画作品展》五月二十四日起在上海举行。来自长三角各地各行各业的37名创作者,历时一年,深入到各地写生并收集了大量创作素材,创作了71幅革命圣地油画作品。在这些创作者中,有教师、大学生、机关干部、职工、旅日画家,有长期从事文化工作的美术工作者和新闻工作者,还有不少是年近古稀的老画家。作者中年龄最大的83岁,最小的22岁,他们怀着对党的无比热爱及满腔热情投入到创作中去,将心血之作汇聚     

一种液体火箭发动机试车启动过程故障预警方法

针对某液体火箭发动机地面试车启动过程中故障样本数据稀少、故障预测和故障部件定位等问题,提出了一种基于注意力机制的卷积神经网络和长短时记忆网络的故障预警方法。首先,搭建了液体火箭发动机系统仿真模型,采用参数故障注入方法获取启动阶段的正常/故障样本;其次,通过卷积神经网络从输入样本中捕获局部特征,利用长短时记忆网络从特征中提取时序特征,进而预测出监测参数的潜在变化趋势;最后,基于故障诊断模型定位故障部件,实现发动机启动过程的故障预警。实验结果表明,该方法能够有效地对该火箭发动机启动阶段故障进行预警,具有工程应用价值。     

超载对无裂纹缺陷试件疲劳寿命的影响

采用无裂纹缺陷试件进行疲劳试验得到试件的疲劳寿命,同时利用考虑了记忆特性的局部应力应变法对试件的疲劳寿命进行定量分析。主要讨论了材料的记忆特性与可用性系数, 采用Neuber近似解法求出局部应力应变,然后按照Manson-Coffin公式求出各级载荷的疲劳寿命和对应的疲劳损伤,采用:Miner疲劳累积损伤理论估算疲劳寿命,最后讨论了超载对裂纹形成寿命和裂纹扩展寿命的影响。     

自组织神经网络航空发动机气路故障诊断

 为克服学习样本依赖于发动机精确模型的问题,提出了一种基于自组织神经网络的发动机智能故障诊断的方法,并运用故障特征提取的数据预处理方式,成功地对航空发动机气路部件的几种典型故障做出正确诊断。为验证网络的抗噪性能,引入了自联想神经网络。研究表明,自组织网络可以脱离发动机模型,并且对测量噪声有良好的鲁棒性,能基本满足航空发动机故障诊断的要求,具有较好的工程应用前景。     

基于时序建模的卫星故障检测方法

为解决当前卫星故障检测面临的依赖规则库、多元特征融合不足以及数据正负样本分布不均衡等问题,从卫星数据的时序特性出发,提出基于时序建模的卫星故障检测方法与半监督模型,实现卫星数据规律的有效挖掘与数据驱动的故障检测。考虑卫星数据间的时序关联,提出基于长短期记忆神经网络的卫星故障检测方法,并引入滑动窗口机制实现卫星数据的有效预测与故障检测。考虑卫星数据多元特征参数间的关联关系,引入时间卷积和自编码器神经网络,同时建模不同时刻、多元特征参数间的依赖关系,实现融合多元特征参数进行卫星故障的有效检测。以某型号卫星电源分系统为实验对象,仿真结果表明,所提算法和模型在关键指标方面优于BP神经网络等传统故障检测方法和模型。     

追弄堂,忆上海情怀

在新华字典上,"弄堂"意指小巷,是具有上海特色的民居形式,也是上海人对里弄的俗称,它由连排的石库门建筑构成。许多老上海都说,没有弄堂,就没有上海,更不会有上海人——多少老上海人正是在狭窄的弄堂里度过了自己的大半生。如今,他们中的大多数都已经住进了现代化的商品房,但搬离弄堂并不意味着他们遗忘了儿时的生活片段,那些形形色色的弄堂文化永远(?)根于老上海人的内心深处,挥之不去。因为,它构成了上海百年历史的图示,代表着一个时代。     

基于深度学习的辅助动力装置性能参数预测方法研究

针对传统机器学习的辅助动力装置(Auxiliary Power Unit, APU)性能参数预测方法不能充分利用参数数据间的时序性和非线性问题,提出了一种基于卷积神经网络(Convolutional Neural Network, CNN)-长短期记忆(Long Short-Term Memory, LSTM)-注意力(Attention)的APU性能参数预测方法。首先,引入一维CNN,通过预处理的参数数据得到不同属性的抽象特征。然后,使用LSTM神经网络对这些特征进行记忆,并结合可以对特征状态赋予不同权重的Attention机制来实现参数预测。使用某型APU的参数数据预测未来不同步长的排气温度(Exhaust Gas Temperature, EGT)。实验结果表明,对于单步EGT的预测,CNN-LSTM-Attention模型在平均绝对百分比误差(Mean Absolute Percentage Error, MAPE)指标上比CNN-LSTM、LSTM和简单循环神经网络(Simple Recurrent Neural Network, Simple RNN)模型分别降低了15.2%、32.5%、60.3%,在均方根误差(Root Mean Square Error, RMSE)指标上分别降低了7.3%、11.6%、32.9%。同时它在多步EGT的预测中具有较高的预测精度,证明了该方法的有效性,为短期APU性能变化趋势预测提供一定的参考。