地裂缝分类及地面沉降区构造地裂缝防治对策

地裂缝类型多样,灾害严重。根据主导因素及动力类型,将地裂缝分为构造地裂缝和非构造地裂缝两大类和16个类别; 基于地裂缝的工程地质特征、水文地质特征和活动特征,认为地面沉降区构造地裂缝发生超常活动的本质原因是地裂缝错断了含水层,在过量抽取地下水时地裂缝两侧形成明显的水头差,产生不均匀压缩,从而导致地表发生较大的差异沉降; 提出了采用定向钻井打通被错断含水层以实现地裂缝两侧水位自然平衡的地面沉降区构造地裂缝防控方法——通水调压控裂法(CABHP),该方法可以有效控制地面沉降区的构造地裂缝活动,避免大量土地资源浪费和灾害损失。     

西南山区交通工程弃渣的工程特性评价及其分类

山区交通工程弃渣力学参数的准确测定,一直是弃渣场边坡稳定性评价面临的基础科学问题。在山区交通工程弃渣场运行特点和弃渣固体废弃物特征认知的基础上,探讨弃渣取样和试验代表性问题的物理根源,依托实际工程累计数据尝试提出简单实用的弃渣工程特性评价和分类方法。结果表明:①常规交通工程弃渣的密度、颗粒分析和强度试验,由于弃渣的粒径范围差异大、颗粒空间分布不均、弃渣来源复杂等固体废弃物特征造成取样和试验代表性难题; 用多阶段坡角测量和颗粒分析试验代替传统的弃渣边坡试验,解决了试验和取样代表性难题。②利用弃渣粗细比可将弃渣分为细粒弃渣、混合型弃渣和粗粒弃渣。③根据弃渣粗细比、天然休止角和整形坡率,将西南山区交通工程弃渣分为细粒弃渣、混合型弃渣和粗粒弃渣等3类。细粒弃渣,弃渣粗细比小于0.3,天然休止角小于31.5°,整形坡率为1.00:2.00; 混合型弃渣,弃渣粗细比为0.3～1.0,天然休止角为31.5°～39.5°,整形坡率为1.00:2.00～1.00:1.50; 粗粒弃渣,弃渣粗细比大于1.0,天然休止角大于39.5°,整形坡率为1.00:1.50。④用多阶段坡角测量、颗粒分析试验和无黏性土边坡稳定性系数计算公式代替传统的弃渣边坡试验和稳定性系数计算方法,方法简单,结果保守,可以作为弃渣边坡稳定性评价和安全控制技术的有益补充。     

D-2-DenseNet噪音鲁棒的城市音频分类模型

为了提高噪音环境下城市音频分类系统的鲁棒性,提出了一种双特征2阶密集卷积神经网络（D-2-DenseNet）噪音鲁棒的城市音频分类模型.首先介绍了噪音添加和噪音鲁棒处理,阐述了一种双特征互补偿的算法;然后结合2阶密集卷积神经网络与自适应机制提出了一种噪音鲁棒音频分类模型：双特征2阶密集卷积神经网络.模型采用双特征互补偿自适应算法,可在特征提取与模型训练中更有针对性地提取有效音频信息,降低噪音干扰,以提高噪音鲁棒性.最后,基于Dcase2016数据集开展噪音环境下城市音频分类测试.实验结果表明,模型分类准确率分别可达77.12%、75.52%,与基线模型相比,平均分类准确率分别提高了8.51%和10.38%,验证了模型良好的噪音鲁棒性.     

基于改进MobileNet v2的垃圾图像分类算法

针对现有的垃圾图像分类模型实时性能差和分类精度低的问题,提出基于改进MobileNet v2的垃圾图像分类方法,构建以MobileNet v2为核心的轻量级特征提取网络. 通过调整宽度因子降低模型的参数量;在模型中嵌入通道和空间注意力模块,增强网络对特征的细化能力;设计多尺度特征融合结构,增强网络对尺度的适应性;利用迁移学习的方式优化模型参数,进一步提高模型精度. 实验结果表明,算法在自建数据集上的平均准确率为94.6%,分别高于MobileNet v2、VGG16、GoogleNet、ResNet50、ResNet101模型2.0%、3.4%、3.2%、2.3%、1.2%;所提算法在2种公共图像分类数据集CIFAR-100和tiny-ImageNet中均取得不错表现;模型参数量仅为0.83 M,体积约为基础模型的2/5,在边缘设备JETSON TX2上的单次推理耗时68 ms,实现了推理速度和预测准确率的提升.     

带特征指标约束描述的设计模式分类挖掘

为解决设计模式挖掘正确率较低的问题, 提出一种带特征指标约束描述的设计模式分类挖掘方法。归纳了47种特征指标, 给出了设计模式约束定义, 对设计模式特征进行了描述, 以Adapter模式、Command模式、Factory Method模式为例, 分结构型、行为型与创建型3类挖掘设计模式, 设计了3个基准系统与4个经典系统的设计模式挖掘试验。试验结果表明, 本研究方法对基准系统的Adapter模式、Command模式、Factory Method模式挖掘正确率为96.13%、91.67%、72.23%, 对经典系统挖掘正确率分别为84.3%、81.26%、73.17%, 与传统方法比较, 本研究方法取得了较好的效果。     

网络处理模式匹配算法研究*

主要从多个角度研究了经典的15种单模式和7种多模式匹配算法,并以可编程网络处理器为测试平台对其中的5种单模式和4种多模式匹配算法分别在匹配时间、占用存储空间以及预处理时间方面进行了性能测试。根据测试得出了各自测试中的最优算法。     

分形维数及其在图像分类中的应用研究*

首次从分形维数的角度出发,提出了用图像的分形维数对图像进行分类的问题,并且对小幅交通路况图像的分形维数分布区间进行了研究.从实验结果看,分形维数可以很好地作为图像分类与分析的参数.当盒子边长ε取最小值2和4时,交通路况图像的维数区间为2.4～3.0和2.8～3.0.     

离散差分模块在癫痫脑电分类中的应用

针对癫痫脑电信号多分类的精度提升问题,提出了一种基于信号转差分模块与卷积模块结合的分类算法。信号转差分模块对原始脑电信号进行多阶差分运算,得到描述其波动特征的差分表示;然后卷积模块动态学习的方式将差分脑电信号转换为图片,利用预训练的卷积神经网络来提取信号特征并实现自动分类。分类结果表明,与现有研究相比,所提出的方法的最高提升了8.1%的分类准确率。在两分类问题上达到了99.8%的分类准确率,在三分类问题上获得了92.8%的准确率,在五分类问题上取得了86.7%的准确率。说明信号转差分模块对于脑电信号分类问题有积极作用。     

考虑样本类别不平衡的电网故障事件智能识别方法

电网中不同设备的故障概率存在差异,影响智能诊断技术的准确性.为解决此问题,提出了一种基于代价敏感学习和模型自适应选择融合的电网故障事件智能识别方法.首先,利用Word2vec模型将预处理后的电网告警信息向量化,并搭建2个双向长短期记忆网络作为基础分类器;然后,设计代价敏感损失函数,将交叉熵损失函数与代价敏感损失函数分别应用于2个分类器中;最后,提出一种模型自适应选择融合法,融合上述分类器,得到故障事件识别结果.实际数据测试表明,所提方法能够有效降低故障事件识别中样本类别不平衡的影响.     

用热分析仪检测球化率的实践

对球铁球化处理后判断球化效果的几种检测方法进行了比较。设计了一种双通道热分析系统，并进行了检测球化率的实验，结果表明：热分析法得到的球化率数据与金相检查得到的数据有密切的相关性，而两者与声速球化分析的结果相关性则较差。双通道热分析法不但可以对球化与否进行判断，还可以进行具体球化率和球墨大小的评定。