药食同源人菜来

紫苏 有特殊记忆的,当数紫苏了。打从记事起,家里的菜园子里总有几株红红的“菜”。每年就种那么几颗,红红的叶子在绿色中飘呀飘的,很是醒目。 母亲说,这叫紫苏,吃了它可以发汗治感冒。因为有了药的感觉在前,当母亲把放了紫苏的面汤端来时。那种特殊的香味让我惶恐。所以每年的紫苏都是母亲一个人自种自享,母亲说的好吃没让我们姐弟几人垂涎。我的记忆中,恐怕也唯有这个吃物是母亲喜欢而不需要留与孩儿的。     

那山 那水 那人

新安江是徽州人的"母亲河"。对于那些生活在新安江、成长在新安江的人们来说,他们对于新安江有着许多独特的记忆。这些记忆一直萦绕在脑海,像刻进骨子里一样,永远不能抹去。而这每一段的记忆,都会有一个特定的故事。     

记忆规律在初中地理识记作业中的高效体现

初中地理中有许多需要识记的内容,从初中阶段学生身心发展的规律出发,对如何帮助学生运用记忆规律识记地理知识进行了探索,以提高学习效率,激发学生学习地理的兴趣与积极性。     

一种基于深度学习的海表温度混合预测方法

海表温度（SST）是海洋水文的重要参数,准确预测SST对海洋经济发展与极端天气的预防都有重大意义。首先,针对SST序列数据的多噪声特点,采用变分模态分解方法（VMD）预处理,以减少噪声对预测结果的影响。其次,将卷积神经网络（CNN）与长短时记忆网络（LSTM）结合,同时提取SST序列的空间与时间特征,以提高预测精度。最后,本文提出了一种基于深度学习并融合了去噪模块的SST预测模型,选取我国东海海域的SST进行实证研究。通过与基线模型、现有模型的对比,证明了本文模型不但在SST的预测精度方面提升明显,而且具有较好的鲁棒性。     

基于磁记忆检测方法的连续油管刻伤试验研究

随着连续油管的大规模投入使用,油管损伤引起的安全事故与日俱增。为了及时对油管使用过程中产生的缺陷进行检测、识别及定位,基于磁记忆检测方法,对连续油管进行管壁刻伤试验,结合workbench有限元方法模拟刻伤处的应力分布,对比分析不同刻伤类型产生的典型信号特征及信号特征值变化趋势。结果表明:刻伤部位的磁记忆信号曲线与应力分布曲线的特征及峰值变化趋势一致,随着刻伤宽度的增加,磁记忆信号曲线及应力分布曲线由单峰向双峰过渡,磁记忆信号峰值及应力峰值呈降低趋势;随着刻伤深度的增加,磁记忆信号曲线及应力分布曲线峰峰值增加,磁记忆信号峰值及应力峰值呈升高趋势。     

我们的生活为何如此粗糙?

如果有一类人,自己祖先创造出的精髓不去继承,别人祖先的优秀经验又拒绝吸取,却把他人制造的垃圾都搬回自己家里当宝贝供着,这算不算败家子?女友从德国回来,给我看她居住小城的照片,每一处环境都是那么精致和谐,他们有对城市建设的整体规划,建成后的建筑会做到分     

灰色季节性指数自记忆模型及其在海河区降水模拟与预测中的应用

准确的降水模拟与预测,对防汛、抗旱及区域水资源管理有着重要的指导作用。由于降水序列波动较大,传统的灰色模型所得到的降水模拟值和预测值往往趋于平均值,论文从输入数据和模型结构改进两个方面对传统的灰色模型进行改进——采用季节性指数法对降水数据进行平滑处理,引入自记忆函数,构建灰色季节性指数自记忆模型（SS-GM）,并将其应用于海河区降水过程的模拟和预测。结果表明：①该模型较传统灰色模型而言,模拟效果有很大程度的提高,能够准确模拟年和月尺度的降水过程,各水资源二级区的月尺度Nash-Sutcliffe 系数（NSE）和决定系数（R²）均达到了0.60 以上,大部分区域年降水模拟的NSE和R²均在0.70 以上,且在较大的时空尺度上,模拟效果更佳;②模型具有一定的月降水量的预测能力,在1~2 月预见期内,各分区降水预测值NSE达到0.50 以上,大部分地区NSE值超过0.60;③模型结构简单、计算方便,能很好地反映降水数据序列的变化趋势,且具有较高的模拟及预测精度。     

太原市PM2.5浓度的气象特征影响分析及预报

利用2016～2020年太原市污染物浓度资料、以及国家基准气象观测站的同期地面气象资料,重点分析了太原市PM_2.5浓度的变化特征以及湿度、降水、风和混合层厚度等气象条件对PM_2.5浓度的影响,同时探讨了污染物浓度变化的成因,建立基于LSTM神经网络的PM_2.5浓度预报模型.结果表明,2016～2020年太原市区冬季出现的重污染天数最多,其中2017年冬季出现天数最多为28 d, PM_2.5浓度总体呈现出秋冬季节高,春夏季节低,周末PM_2.5浓度高于工作日浓度,PM_2.5浓度日变化大致呈现双峰型分布,分别出现在09:00左右和23:00至翌日01:00.除相对湿度和冬季气温外,其余气象要素与PM_2.5浓度在四季均表现为负相关.影响太原市区PM_2.5浓度升高的污染源主要位于其NE-ENE-E方向,西北部地区的相对不明显.汛期当达到中雨(降水量≥10 mm)以上级别的降水都对PM_2.5浓度降低有明...     

面向密闭空间内外温度的时序预测模型

目的 研究密闭空间条件下已知外部温度时间序列对内部实时温度的预测推理问题。方法 选取密闭空间内外温度时序预测典型场景,抽象为多变量时间序列预测问题,分析变量间的关联性和依赖性。借鉴特征融合、注意力机制、多任务模型等思路,结合物理机制与数据特征,基于长短期记忆网络基本网络单元,构建密闭空间内外温度时序预测模型,并在万宁、敦煌、漠河对某型密闭空间进行数据采样,基于三地数据集进行不同模型试验。结果 多变量模型比单变量模型具有更好性能,注意力机制对该场景没有显著性能提升,结合物理机制的模型结构设计充分考虑了变量之间的关联性和依赖性,能显著提升预测精度,双输入双输出的多变量时序预测模型具有相对最高的精度和最稳定的鲁棒性,是面向密闭空间内外温度时序预测的相对最优模型。结论 研究结论可指导密闭空间其他环境特征建模,研究思路可为其他多变量时序建模问题中变量之间的关联性、依赖性分析提供参考。     

基于经验小波变换的鄱阳湖CODMn预测

高锰酸盐指数(COD_Mn)是衡量水质状况的最重要参数之一,能反映水体受还原性物质污染的程度。结合经验小波变换(EWT)和双向长短期记忆(BLSTM)神经网络,提出了一种先利用EWT将原始的COD_Mn时间序列分解成若干成分,然后利用BLSTM神经网络对分解出来的每个成分进行预测,最后将所有成分的预测结果重建获得最终COD_Mn预测值的新的混合模型EWT-BLSTM;并以2017年8月—2020年4月鄱阳湖COD_Mn监测数据为研究对象,进行模型性能验证。结果表明：EWT-BLSTM模型具有良好的预测性能,预测未来1 d以后的COD_Mn时,EWT-BLSTM模型的平均绝对百分比误差为2.25%,与单一BLSTM神经网络模型相比降低了10.53%;预测未来7 d以后的COD_Mn时,EWT-BLSTM模型的平均绝对百分比误差为8.36%,与单一BLSTM神经网络模型相比降低了16.16%。在COD_Mn峰值处,该模型依然保持较高稳定的预测性能,说明在数据相对复杂、极端的情况下,该模型依然适用。