杨玲
- 作品数：11 被引量：14H指数：2
- 供职机构：西南交通大学更多>>
- 相关领域：一般工业技术自动化与计算机技术建筑科学电气工程更多>>
- Gd-Tb-Nd系室温磁致冷材料研究
- 该论文在前人对Gd-Tb系研究的基础上,以Gd-Tb-Nd系为研究对象,探讨了稀土合金作为磁制冷工质的可能性以及轻稀土元素掺入到重稀土合金中对其性能的影响.基于磁性测量结果,计算了磁熵变曲线△S<,M>-T、绝热磁化温升...
- 杨玲
- 关键词：磁致冷磁熵变
- 文献传递
- 提高空调水系统可调控性及水力平衡的研究
- 空调水系统作为空调系统的重要组成部分，其设计合理与否与系统运行状况和节能水平息息相关，因此对空调水系统进行优化既产生社会效益又产生经济效益。经过多年的发展，空调水系统在各方面都有了很大的改进，系统运行的灵活性和节能性都有...
- 杨玲
- 关键词：空调水系统水力平衡优化设计
- 文献传递
- 自闭症儿童康复中心室内空间环境设计研究——以宜昌博爱自闭症儿童康复中心室内空间环境设计为例
- 目前，我国自闭症儿童数量已增至约164万，其健康已成为国际上最受关注的问题之一，自闭症儿童的最佳康复期是0到6岁，及时治疗可缓解症状。面对目前自闭症机构缺乏，且室内空间功能规划不合理，康复中心内部环境堪忧，加强自闭症儿童...
- 杨玲
- 关键词：康复中心环境设计自闭症儿童
- 文献传递
- 融资能力对公司金融中介活动的影响研究
- 金融中介活动是指将资金从过剩方重新配置给缺乏资金,但拥有较好投资机会的一方的活动。公司金融中介活动包括金融资产持有及商业信用的提供。在后疫情和双循环的发展背景下,中国经济要巩固壮大实体经济根基,实现产业链现代化,不仅要解...
- 杨玲
- Gd-Tb-Nd系室温磁致冷材料研究被引量：1
- 2000年
- 对适用于室温区磁致冷的Gd Tb Nd系合金进行了研究。样品用Ar气保护的高频磁浮炉熔炼 ,用振动样品磁强计测量了不同温度下的磁化曲线。根据整理的磁热曲线计算出材料的磁熵改变值。结果表明 :GdxTbyNd( 10 0 -x - y) 系磁致冷材料的居里温度在室温附近 ,Tb和Nd含量的增加使居里温度降低 ;Nd含量较小时Gd Tb Nd系具有较大的磁熵改变值 ;少量Nd的加入可显著改变居里温度 ,是十分有效的制冷温区调节剂。因此 ,采用不同成分的Gd Tb Nd系材料的组合 ,可望实现在低磁场下室温附近较大温度范围的磁制冷热循环。
- 张喜燕杨玲刘志农
- 关键词：磁致冷磁性材料
- 一种基于迁移学习的辐射源工作模式识别方法
- 本发明公开了供一种基于迁移学习的辐射源工作模式识别方法，其包括以下步骤：获取小样本辐射源数据，并从现有的各辐射源工作模式数据中挑选辅助数据；将小样本辐射源数据和挑选得到的辅助数据构成迁移学习的源域；将待识别辐射源数据作为...
- 余志斌杨玲彭宇果雷涛张译方韦柳幸
- 磁致冷材料的发展及研究现状被引量：5
- 2000年
- 磁致冷作为一种新的制冷方式而受到广泛的重视。详述了低温区和高温区的磁致冷工质材料的研究过程及现状,并指出多种成分的复合工质可实现宽温区磁致冷;稀土合金及具有巨磁阻效应的钙钛矿陶瓷材料可能是研究可实际应用的室温区磁致冷材料的新方向。
- 杨玲张喜燕
- 关键词：磁致冷磁热效应磁熵变磁致冷材料
- X医药公司财务风险评价及管理研究
- 杨玲
- 基于WGCN的车辆驾驶行为预测方法
- 本发明涉及车辆驾驶行为预测技术领域，涉及一种基于WGCN的车辆驾驶行为预测方法，包括：一、生成每辆车的特征矩阵和本地地图；二、特征矩阵加权后和经过CNN编码后的本地地图构建成一张图，并输入到边‑增强的图卷积神经网络GCN...
- 李可杨玲张宏浩王小宁罗寿西
- EGCN-CeDML:一种面向车辆驾驶行为预测的分布式机器学习框架被引量：2
- 2023年
- 在大规模动态变化的交通场景下,快速准确地预测车辆驾驶行为是智能交通领域极具挑战的问题之一。车辆驾驶行为的预测不仅要考虑通信的有效性,而且要考虑车辆历史行驶轨迹以及车辆之间的相互影响。文中综合考虑了上述因素,提出了一种新的基于边-增强图卷神经网络的通信有效的分布式机器学习框架EGCN-CeDML(Edge-enhanced Graph Convolutional Neural Network-Communication-efficient Distributed Machine Learning)。相比面向单一设备的集中式预测框架,EGCN-CeDML是通信有效的分布式机器学习框架,该框架无需将所有原始数据发送到云服务器,而是直接将用户数据在本地边缘设备存储、处理和计算。这种在多个边缘设备训练神经网络的方式缓解了集中训练神经网络的压力,降低了传输数据量和通信延迟,提升了数据处理效率,在一定程度上也保护了用户隐私。各个边缘设备部署的复合图卷积网络(EGCN-LSTM)利用边-增强注意力机制和图卷积神经网络的特征传递机制,当周围车辆数量增长至十几辆时仍能快速提取和传递车辆间的交互信息,保证了较准确的预测性能和较低的时间复杂度。不限于车辆驾驶行为预测,各边缘设备可以根据自身的计算能能力和存储能力,在保证神经网络性能的前提下灵活控制神经网络的类型和规模以适用于不同的应用场景。EGCN-CeDML在公开数据集NGSIM上的实验结果表明:无论交通复杂程度如何,EGCN-CeDML的计算时间和预测性能都优于以往模型,精准率可达0.9391,召回率可达0.9557,F1分数可达0.9473;预测时长为1 s时,预测准确率达到了91.21%;即使车辆数目增加,算法也能保持较低的时间复杂度,且稳定在0.1 s以内。
- 李可杨玲杨玲陈泳龙罗寿西
