岩土工程深基坑支护的设计方案

由于我国地质环境的地域差异性,深基坑支护技术被广泛应用于各施工类型之中.然而在大规模岩土工程的建设项目数量呈现与日俱增的趋势下,对于岩土工程来说,深基坑支护技术也暴露出了较多问题,如边坡修理不符合相关要求、岩土层挖掘时间和边坡支护时间无法实现同步等.所以科学运用深基坑支护技术非常关键,如何完善和优化岩土工程中深基坑支护...     

复合地基上钢筋混凝土板的冲击应变分析

为研究三江源地区复合地基上的钢筋混凝土板在冲击荷载作用下的变形特征,本文建立了地基与钢筋混凝土板冲击接触作用的分析模型.地基采用Extended Drucker-Prager模型,钢筋混凝土板使用Concrete Damage Plasticity损伤塑性本构模型.采用显式有限元分析方法计算了特殊地基与板的相互作用的位...     

强化食品抽样检验推动食品安全深度监管

做好食品抽样检验工作是确保食品质量和安全的关键,本研究对目前国内食品抽样检验管理现状进行了分析,针对食品安全抽样检验管理存在的问题提出要强化制度建设、强化技术团队建设、制定统一检测标准等方法,并提出进一步深化改革食品安全抽样检验管理办法,旨在保障公众食品安全,提高食品抽样监管力度。     

路堤下CFG桩复合地基桩土应力比计算修正

为了更准确地反映刚性桩复合地基的工作状态,提高实际工程质量,以路堤下CFG复合地基为研究对象,在基本假定的前提下,分别建立类端承桩复合地基和类摩擦桩复合地基的力学模型.分析导出CFG桩复合地基工作的受力平衡条件及变形协调条件,对路堤下CFG桩复合地基桩土应力比计算公式进行修正,并对桩土应力比的影响因素进行分析.以相关文...     

桩端注浆超长灌注桩的极限承载力研究

为提升后注浆超长钻孔灌注桩的承载性能,以静载试验数据为基础,对3根后注浆超长钻孔灌注桩的桩侧阻力、桩身轴力以及荷载-沉降等因素进行了系统分析.通过拟合Q-S曲线预测了单桩极限承载力,并利用有限元模型分析了桩端注浆桩单桩承载力的影响因素.研究表明,1)桩端注浆超长桩的Q-S曲线变形缓慢;2)桩身荷载主要由下部土层决定;3...     

互联网金融的信用风险评估与预警研究

随着互联网金融的蓬勃发展,用户对消费金融的需求也越来越丰富多样。满足用户的多样化需求与建立健全风险监管体系成为互联网金融发展的重中之重。如何实现数据驱动服务升级、技术辅助市场监管成为研究的热点问题。本文通过数据处理与特征工程实现用户认证信息、金融信息、行为信息的融合,利用深度森林算法建立模型进行信用风险评估。结果表明,该方法能有效挖掘数据潜在价值,提高信用风险评估与预警效果。最后,本文针对互联网金融的信用风险预警与市场监管提出了建议。     

深度学习方法在作物遥感分类中的应用和挑战

[目的]准确估算作物的面积和分布对粮食安全至关重要。与传统的机器学习方法相比,深度学习具有多种优势,如端到端训练、可迁移性。为有效利用高时空数据进行作物识别提供了新的机遇。已有多种模型被应用于作物分类任务中,针对不同的分类任务,如何有效地选择模型,并对其进行训练和使用已成为关键问题。[方法]文章回顾了利用深度学习模型对作物分类的主要研究。N维卷积神经网络(N-D CNN)(N=1、2、3)和递归神经网络(RNN)已被有效用于作物分类任务。长短期记忆RNN(LSTM RNN)和门控循环单元RNN(GRU RNN)是RNN的变体,解决了随着时间序列增加RNN出现的梯度消失或爆炸问题。此外,还有研究使用CNN和RNN(我们称为RCNN)的混合模型对作物进行分类。该文首先阐述了使用深度学习方法进行作物制图的背景和意义,并介绍了CNN和RNN模型结构。然后回顾了一些典型的研究,包括模型的结构、遥感数据源、数据处理方法和分类精度。最后,总结了使用深度学习方法进行作物分类的挑战以及现有解决方案的局限性。[结果](1)1-D CNN可用于提取时间特征,或时间+光谱特征,分类效果良好;2-D CNN已被广泛应用于单时相数据的空间特征提取,分类精度依赖于数据源;3-D CNN应用较少,但具有很大的潜力,尤其是时间+空间维度的特征提取;(2)相同条件下(架构、数据源、研究区域、类别),LSTM RNN和GRU RNN分类效果通常高于普通RNN,而前两者的效果差距不大,但GRU RNN训练时间较短;(3)CNN+RNN混合模型(RCNN)用RNN比3-D CNN更适合提取时间特征。这主要是由于RNN建立了对序列数据的长期依赖,而3-D CNN卷积核是局部计算的。[结论]通过分析,认为深度学习技术是作物遥感分类的有效工具。此外,与其他模型相比,RCNN,3-D CNN和GUR RNN具有更大的潜力。     

试谈计算机图形的审美基础

该文提出了计算机图形的七个基本特征。深入分析了计算机图形的审美基础。     

基于MBP算法和深度学习的人脸识别

为了解决在深度学习提取人脸图像特征时,易忽略其局部结构特征和缺乏对其旋转不变性学习的问题,提出了一种基于单演局部二值模式(MBP)与深度学习相结合的高效率人脸识别方法。首先,用多尺度单演滤波器对图像进行滤波,得到幅值和方向信息;其次,用LBP算法和象限比特的方法进行编码,分块计算组合其直方图特征;然后,将提取的单演特征作为深度信念网络(DBN)的输入,逐层训练优化网络参数,得到优异的网络模型;最后,将训练好的DBN网络在ORL人脸数据库上进行人脸识别实验,进行识别率计算,其识别率为98.75%。所提出的方法使用无监督的贪婪算法,隐藏层设定为2层,使用反向传播算法优化网络。相较于已知的人脸识别方法,MBP+DBN算法对光照、表情和部分遮挡变化具有较好的鲁棒性,在人脸识别中识别率较高,具有一定的优势,为图像特征提供了一种新的识别方法。     

航班计划优化研究概述

从航班计划优化的不同时间阶段分析,可以将航班计划优化分为航班计划静态编排优化、基于航班延误预测的航班计划动态反馈优化和基于机场协同决策(A-CDM)的航班计划动态调整角度三类;进而从航班时刻、机型指派、航班频率等编制环节分析了航班计划静态编排优化;随后利用延误波及预测与数据挖掘预测的优化方法分析了基于航班延误预测的航班计划动态反馈优化的相关研究。最后,根据航班计划优化复杂性分析,给出了航班计划优化的发展趋势和未来研究方向。