论个人所得税税制模式改革

文中介绍了现行个人所得税中存在的问题,提出进行“综合征收模式”改革的必要性、合理性以及实行条件。     

作业成本法在路政管理中的应用研究

基于作业成本法在路政管理系统成本测算中的研究,并结合江苏省路政管理作业模式的改进,重点对作业成本法在路政管理成本测算和控制中的应用流程进行分析,研究成果使路政管理部门能够更为准确地控制和把握路政管理各项作业活动中的各种资源,从而有利于提高路政管理工作的效率.     

川东北地区超声波回弹综合法测强曲线的建立

超声回弹综合法具有灵活、方便的特点,能全面检测混凝土的强度。建立地区测强曲线,能更准确、更及时地为区域内的工程施工、监理和建设单位提供检测数据。     

机场净空区范围确定方法

为了解决城乡建设和机场净空保护之间的矛盾,分析了气象条件、导航设备、起落航线和飞行技术对机场净空区范围的影响.应用飞行航线理论知识,综合考虑各种影响因素,对机场净空区的组成和范围进行了修改:增加升降带的规定,修改端净空区扩散率为15%,端净空区宽度由2 km增大为3 km,将二与三、四级机场的净空区范围分别减小到50%和60%.结果表明现行的机场净空规定既能保证飞行安全,又为城乡建设发展提供了更大的空间,是可行的.     

基于多模式弱分类器的AdaBoost-Bagging车辆检测算法

针对现有车辆检测算法在实际复杂道路情况下对车辆有效检测率不高的问题, 提出了融合多模式弱分类器, 并以AdaBoost-Bagging集成为强分类器的车辆检测算法。结合判别式模型善于利用较多的特征形成较好决策边界和生成式模型善于利用较少的特征排除大量负样本的优点, 以Haar特征训练判别式弱分类器, 以HOG特征训练生成式弱分类器, 以AdaBoost算法为桥梁, 采用泛化能力强的Bagging学习器集成算法得到AdaBoost-Bagging强分类器, 利用Caltech1999数据库和实际道路图像对检测算法进行了验证。验证结果表明: 相比于单模式弱分类器, AdaBoostBagging强分类器在分类能力和处理时间上均具有优越性, 表现为较高的检测率与较低的误检率, 分别为95.7%、0.000 27%, 每帧图像的检测时间较少, 为25ms; 与传统级联AdaBoost分类器相比, AdaBoost-Bagging强分类器虽然增加了12%的检测时间和30%的训练时间, 但检测率提升了1.8%, 误检率降低了0.000 06%;本文算法的检测性能显著优于基于Haar特征的AdaBoost分类器算法、基于HOG特征的SVM分类器算法、基于HOG特征的DPM分类器算法, 具有较佳的车辆检测效果。     

浅析建昌、兴城地区高速公路绿化设计

以建昌至兴城高速公路为例,通过介绍高速公路各绿化单元的树种选择及设计思路,分析了北方地区高速公路绿化设计的特点。     

海洋环境中复合桩基水平方向波浪荷载研究

为研究承台淹没深度及波浪入射角对桩-承台复合基础水平方向波浪荷载的影响,以平潭海峡公铁两用大桥某复合基础为研究对象,通过求解RANS方程（Reynolds-averaged Navier-Stokes equation）和k-ε湍流模型,借助FLOW-3D软件建立了波浪与复合基础相互作用的三维数值模型.研究了承台淹没深度及波浪入射角对复合基础水平方向波浪荷载的影响,并给出了不同波浪入射角下复合基础水平方向波浪荷载幅值随承台淹没深度的变化曲线.研究结果表明:承台位于波峰与波谷之间时,复合基础所受波浪荷载较大,承台淹没深度为1倍承台高度时波浪荷载达到峰值;当波浪入射角定义为承台长轴线与波浪传播方向之间夹角时,复合基础所受波浪荷载随着波浪入射角增大,当波浪入射角达到90°时,波浪荷载最大,其值约为波浪入射角为0°时的1.4倍左右.      

列车荷载下钢轨振动加速度的空间分布特征

为了探究列车通过时钢轨振动的基本参数和敏感区域,基于多体动力学软件GENSYS和有限元软件ABAQUS,分别建立车辆-轨道动力学模型和轨道-下部基础有限元模型.以动力学模型计算得到的轮轨力为激励,输入轨道-下部基础有限元模型,计算分析车速、轨道不平顺和钢轨支承方式等因素对钢轨加速度的影响.研究结果表明:钢轨加速度从轨头到轨底逐渐减小,轨枕上方轨头加速度明显大于轨枕之间.钢轨加速度对车速最为敏感,车速从200 km/h增加到350 km/h时,无砟轨道轨头加速度从1.476 km/s2增加到2.980 km/s2.连续支承式无砟轨道,钢轨加速度小于传统离散支承式无砟轨道.加速度传感器建议安装在轨头外侧,传感器的采集频率、量程应考虑列车速度、轨道不平顺等影响.      

基于非线性超声的CL60车轮和U75V钢轨磨损检测方法

针对早期轮轨滚动磨损变化过程难以通过无损手段进行表征的问题,提出了非线性超声技术对不同磨损程度的CL60车轮与U75V钢轨试样进行检测评估;建立了基于轮轨试样表面磨损特征的Murnaghan模型,并利用非线性超声有限元仿真,通过塑性变形层厚度变化情况模拟不同程度的摩擦损伤,分析了其相对非线性系数变化规律及其产生原因。试验结果表明：轮轨的早期磨损会导致材料表面产生塑性变形层,随着塑性变形的加剧,材料损伤将以微裂纹为主,车轮角加速度越大,轮轨间相对滑动作用时间越短,塑性变形层越薄,且CL60车轮较U75V钢轨磨损程度更为严重;CL60车轮试样在车轮角加速度分别为10、250、1 500 r·min^-2时,对应的相对非线性系数分别为12.19、8.43、5.68,U75V钢轨试样在车轮角加速度分别为10、250、1 500 r·min^-2时,对应的相对非线性系数分别为7.57、6.09、5.04,与CL60车轮试样相比,U75V钢轨试样的相对非线性系数变化缓慢。可知,相对非线性系数与塑性变形层厚度呈正相关,微裂纹产生的非线性效应比塑性变形层更强,相对非线性系数增幅更大,因此,可通过材料的相对非线性系数变化判断材料的磨损阶段。     

基于3D CNN的道路视频交通状态自动识别

为了从视频直接有效地提取交通信息,提出了基于三维卷积神经网络 （3D convolutional neural networks,3D CNN）的交通状态识别方法.首先,以C3D （convolutional 3D）深度卷积网络为3D CNN原型,对卷积层数量与位置、平面卷积尺寸及三维卷积深度进行优化调整,形成了37个备选模型;其次,建立了视频数据集,对备选模型进行系统的训练测试,提出了交通状态识别模型C3D*;然后,对C3D* 和现有三维卷积网络模型进行视频交通状态识别测试分析;最后,对比测试了C3D* 及常用二维卷积网络的交通状态识别效果. 对比结果显示:针对视频交通状态识别,C3D* 的F均值为91.32%,比C3D、R3D （region convolutional 3D network）、R (2+1) D （resnets adopting 2D spatial convolution and a 1D temporal convolution）分别高12.24%、26.72%、28.02%;与LeNet、AlexNet、GoogleNet、VGG16的图像识别结果相比,C3D* 的F均值分别高32.61%、69.91%、50.11%、69.17%.