新修正总吨（CGT）计算方法

OECD（经济合作与发展组织）委员会造船工作组（WP6）同意一项由造船厂联合会提交的、用以代替现行的修正总吨（cgt=compensated gross ton）计算方法的建议。现行的修正总吨计算方法自1970年起为OECD所倡导，1994年做了最近一次修改。造船工作组在同意这项建议的同时决定这个新cgt计算方法自2007年1月1日起施行。本文是OECD委员会造船工作组（WP6）文件（A New Compensated Gross Ton（CGT）C／WP6（2006）7），它对于这项新cgt计算方法做了详细的说明，是需要使用cgt计算方法作为描述船厂活动的统计工具的公司或个人的用户指南。该文件已由OECD委员会造船工作组（WP6）公布并通告修正总吨（cgt）计算方法用户。     

弯沉测试方法的应用比较及其改进

通过对贝克曼梁和落锤式弯沉仪的操作方法，及其各自优缺点和数据处理方法的介绍，提出将二者结合运用的改进建议，具有重要的意义。     

城市公交客流调查数据的修正

城市公交客流调查数据是进行城市公交科学决策的重要依据,特别是乘客OD矩阵更是优化公交调度的重要参考指标.然而公交客流调查数据产生偏差不可避免.对上、下车人数采用权重法进行修正,对乘客起讫点(OD)矩阵数据采用弗尼斯法进行修正,经实例验证是较好的数据修正方法.     

软件成本估算

成本管理是软件项目管理的主要内容之一，软件成本估算是项目成本管理的一个非常重要的部分。概述了常用的软件成本估算方法并比较了其优缺点，详细介绍了目前国际上广泛应用的由美国南加州大学软件工程研究中心提出的COCOMOⅡ成本估算模型。     

雷达图像和电子海图系统的叠加应用

现代导航信息技术的应用和发展,电子海图与雷达图像/ARPA数据信息的叠加显示成为可能和必然,为船舶的导航和避碰提供安全保障。此文分析了NaviSailor3000型电子海图的雷达/ARPA功能,针对使用中容易出现的雷达图像叠加偏移,ARPA数据误差大的现象,提出了判断和修正的具体方法。     

机车车辆电子装置盐雾试验箱盐雾沉降率不确定度评定

为确保机车车辆电子装置盐雾试验设备的检测数据准确、可靠,建立了盐雾沉降率不确定度评定的数学模型,并结合实际系统全面地分析了不确定度产生的来源,对机车车辆电子装置盐雾试验箱盐雾沉降率的测量不确定度进行评定,结果证明符合标准要求。该方法有效地保证了机车车辆电子装置外壳质量考核的正确性和良好的重现性,为装置结构改进提供了有效的指导数据。     

基于径向基函数响应面方法的大跨度斜拉桥有限元模型修正

采用ANSYS有限元软件建立某大跨度斜拉桥试验室物理模型的三维有限元模型.基于灵敏度分析,选取模型待修正参数和用于模型修正的特征量.采用实验设计方法生成数样本,通过有限元分析提取对应的特征量信息,进而建立待修正参数与特征量关系的径向基函数响应面模型.通过对响应面模型的拟合误差分析,确定径向基函数的最优形状参数.以斜拉桥自振频率和静态索力构建目标函数.基于建立的响应面模型,采用遗传优化算法进行有限元模型修正.结果表明,采用径向基函数响应面模型拟合斜拉桥设计参数与特征量之间的隐式关系有较高的精度;基于仿真数据的模型修正有较高的精度,基于试验数据的模型修正能得到合理的结果,该方法可有效地修正复杂桥梁结构有限元模型.     

铁道车辆车体内部结构三维检测系统的开发

0前言铁道车辆的车体是通过焊接将车顶板和地板、再加上若干侧板结合在一起的六面体(图1)。板件焊接时,由于受到热影响和骨架本身的误差,车体各部的尺寸相对于图纸,有时会产生数毫米至数十毫米的公差。为此,根据各     

基于交通因子状态网络的城市交叉口交通流预测

信息技术的快速发展,为交通研究和城市交通管理提供了大规模、多样化的数据资源,并为城市交通状态估计和交通流预测方法的研究提供了有力支持。将城市交叉口视为一个微观交通系统,采用数据驱动与领域知识结合的方式,建立微观层次的交通因子状态网络模型（Traffic Factor State Network,TFSN）,考察交通因素之间的相互关联,并考虑环境因素的影响。该模型结合交通因子和环境影响因子的影响,通过对交通流数据进行聚类分析,估算出对应于环境影响因子的交通状态,并通过实际案例验证其物理意义以及与交通流实际状态的对应关系。进一步地,基于不同交通状态下的交通流数据建立高阶多元马尔可夫链,进行交通流预测,并根据交通流时间序列的聚类性能指标提高模型的预测准确性。对数据序列马氏性强弱、马尔可夫模型阶数与模型预测准确性之间关系进行分析。研究结果表明：根据马氏性合理选择马尔可夫模型的阶数可以提升模型预测准确性;直接对原始交通流数据进行预测的平均绝对百分比误差为24.61%,而不同交通状态下交通流预测的平均绝对百分比误差为16.99%,相比直接预测误差下降了7.62%,验证了所提出的微观交通因子状态网络的有效性和可用性。