-
题名RDX基装药安全跌落的数值仿真及验证
- 1
-
-
作者
赵冬琴
张银
廖宏哲
王亚辉
路芳瑞
王珊
-
机构
山西财经大学实验实训中心
晋西集团江阳化工有限公司军品研究所
北京理工大学
-
出处
《兵器材料科学与工程》
北大核心
2025年第5期136-143,共8页
-
文摘
为研究RDX基装药跌落的安全性,构建缩比战斗部装药跌落数值计算模型,通过数值模拟深入分析3种不同跌落姿态、跌落高度冲击下,装药内部应力演变过程及变形规律。结果表明:缩比战斗部装药跌落时,应力波在其内部持续往复反射与叠加,决定了装药变形分布与程度;跌落姿态是影响装药结构力学响应特征的关键因素,其中水平跌落时,装药内部安全性最低;跌落高度主要影响过载幅值和变形程度。试验与仿真结果误差为5.21%~6.17%,表明构建的跌落数值计算模型准确,材料参数选择合理,能有效满足水中兵器战斗部RDX炸药装药跌落的数值模拟需求。此外,跌落时产生的最大应力值低于装药的爆炸极限值,处于安全范围。研究结果可为RDX基炸药在海军武器的应用提供技术支持。
-
关键词
RDX基炸药
数值仿真
安全性
跌落
-
Keywords
RDX based explosive
numerical simulation
security
to fall
-
分类号
TP
[自动化与计算机技术]
-
-
题名基于通道相似度熵的卷积神经网络裁剪
- 2
-
-
作者
耿丽丽
牛保宁
-
机构
太原理工大学计算机科学与技术学院(大数据学院)
山西财经大学实验实训中心
-
出处
《计算机工程》
CAS
CSCD
北大核心
2024年第7期133-143,共11页
-
基金
山西省重点研发计划(201903D421007)。
-
文摘
卷积神经网络(CNN)中包含大量滤波器,参数训练以及存储占用大量内存资源。裁剪滤波器是减小网络规模、释放内存、提高计算速度的有效方法。现有滤波器裁剪方法的主要问题是将滤波器权值作为孤立的数值计算,裁剪小权值滤波器,保留权值大的滤波器,忽视了部分小权值滤波器在特征提取过程中的重要性。通过分析滤波器通道之间的相似性,提出一种基于通道相似度的滤波器熵值计算方法(FEC)。针对滤波器结构特征,对权值张量进行均值压缩,并证明其合理性。先计算滤波器通道距离判断通道之间的相似性,再根据通道相似度计算滤波器熵,由熵值大小进行滤波器排序,删除一定比例熵值较小的滤波器。实验设计针对不同卷积层采用不同的裁剪比例,在CIFAR10以及Image Net标准数据集上对VGG-16和Res Net-34网络进行裁剪。实验结果表明:在基本保持原始准确度的情况下,分别减少了约94%和70%的参数数量;在目标检测网络SSD上参数数量减少了55.72%,平均精度均值(mAP)提高了1.04个百分点。
-
关键词
卷积神经网络
通道相似度
熵
滤波器
裁剪
-
Keywords
Convolutional Neural Network(CNN)
channel similarity
entropy
filter
pruning
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于标签相关性学习网络的多标签图像分类方法
- 3
-
-
作者
王路芳
张海云
-
机构
山西财经大学实验实训中心
山西大学大数据科学与产业研究院
山西大学计算机与信息技术学院
-
出处
《太原理工大学学报》
CAS
北大核心
2024年第6期1097-1106,共10页
-
基金
国家自然科学基金资助项目(62072291)。
-
文摘
【目的】针对多标签图像分类任务中的标签特征混乱和标签关系局限性问题,提出了一种基于标签相关性学习网络的多标签图像分类方法(MLLCLN)。【方法】采用掩码注意力方法和多头自注意力机制。在掩码注意力方法中,通过图像真实标签对应的状态词向量遮盖注意力机制产生的标签特征,使模型能获得更多上下文信息,一定程度上避免了注意力机制的注意力区域重叠的问题。设计了标签相关性学习网络,该网络是由多层多头注意力机制和图神经网络组成。多头自注意力机制能够基于标签特征学习局部标签关系,而图神经网络使用了现有的方法MLGCN作为引导,使模型能同时考虑全局标签关系,缓解了由于标签关系局限性导致的模型出现虚假预测的问题。【结果】MLLCLN在公开数据集MSCOCO2014和VOC2007上的实验结果表明了其较好的性能,分类精度分别达到了84.4%和96.0%,为多标签图像分类提供了新思路。
-
关键词
多头自注意力机制
多标签图像分类
注意力机制
自适应权重
卷积神经网络
-
Keywords
multi-head self-attention
multi-label image classification
attention mechanism
adaptive weight
convolutional neural networks
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
