品牌的力量——解读《美国消费者报告》汽车品牌排行榜

美国《消费者报告》杂志一家高冷的测评媒体美国有这样一家特立独行的评测媒体,他们诠释了什么叫"独立、客观、公正"。为了确保公正,他们自己匿名购买所有评测产品;为了保证客观,他们只依靠自己试验室的评测结果;为了做到独立,他们不接外部广告,不用产品样本,不收企业捐助。这家高冷的媒体     

基于共轭梯度法的蒙特卡洛随机有限元方法

将共轭梯度法引入蒙特卡洛随机有限元法，建立基于多项式预处理共轭梯度法的蒙特卡洛随机有限元方法。求解某一特征样本，对于其余样本，采用把特征样本作为预处理阵的多项式预处理共轭梯度法。将该方法与基于Neumann法的随机有限元方法作比较，从理论上证明了Neumann法是基于多项式预处理共轭梯度随机有限元方法的一个退化算法。最后算例比较也验证了该方法有更高的求解效率。     

16MnR钢焊接头的延拓概率疲劳S-N曲线

针对16MnR钢焊接头,利用现有不同试验条件下的中短寿命试验数据,采用2m-1指数法,延拓概率疲劳S-N曲线到长寿命范围.基于Basquin关系,得到包含存活概率曲线、置信度曲线和两者融合曲线在内的延拓概率疲劳曲线,在中短寿命范围对试验数据有良好的拟合效果,在延拓阶段可对长寿命范围作近似预测.该方法可近似合理地对曲线进行延拓,较直接利用中短寿命S-N曲线延长到长寿命范围的直接法更为合理,结果表明,该方法是可行的.     

神经网络模型在桥梁施工状况评估中的应用

对于分段悬浇施工的大跨度预应力混凝土桥梁结构, 开展预应力钢束张拉状况评估与分析是保证施工质量的重要控制手段.结合某桥的施工控制,介绍了人工神经网络方法,并建立了13个输入参数的神经网络评估模型,通过敏感度分析修正模型参数,并运用区间分析法对含随机误差和少样本情况下的张拉判定结果进行离差分析和预应力张拉状况的评估与判定.     

公路隧道施工阶段围岩指标定性描述的量化分级方法研究

施工阶段围岩分级目前仍普遍采用定性的判定方法。文章通过六武高速公路安徽段隧道施工围岩分级的研究,提出了公路隧道施工阶段围岩指标定性描述的量化分级方法,提高了施工阶段围岩分级的可靠性,消除人为因素、主观因素影响所产生的误判,具有广泛的推广和借鉴价值。     

采用小样本统计理论的隧道围岩分类

隧道围岩级别判断存在较多的不确定影响因素,特别是各影响因素的参数信息和样本资料有限,给判断工作造成了很大的困难。利用专为小样本统计分析而提出的支持向量机方法,在分析围岩级别划分的基础上,选取隧道围岩级别划分需要考虑的9个关键因素,将这9个因素作为输入参数,同时将围岩划分为5个等级作为输出参数,建立了围岩级别判断的小样本统计模型。利用该模型对二郎山隧道的围岩级别进行测试,并与ART1神经网络和BP神经网络的结果进行对比,表明将基于小样本统计的支持向量机理论用于围岩级别判断是可行的,并且具有很好的精度。     

城市建成环境对共享单车还车量的影响分析

在确定共享单车客流最佳空间单元集计方法后,进行城市建成环境对共享单车还车量的影响程度分析。以厦门岛为例,将共享单车还车位置数据进行集计得出的空间单元还车量作为因变量,计算各空间单元的建成环境指标作为自变量,利用最小二乘法、地理加权回归、多尺度地理加权回归模型,针对8种空间单元划分方法进行回归分析,确定拟合优度最佳的空间单元划分方法,并分析建成环境变量影响程度的空间异质性。研究结果表明：(1)采用交通分区进行还车量集计的多尺度地理加权回归模型拟合优度最佳;(2)公司企业兴趣点密度、建筑密度、交叉口数量和共享单车电子围栏数量与还车量呈正相关;空间封闭度、科研教育兴趣点密度、至最近地铁站距离和兴趣点多样性与还车量呈负相关;最近公交站距离在西南部呈负相关,在西北、北部和东北部呈正相关。研究思路和方法为提高共享单车还车量预测模型精度提供了参考,建成环境变量影响程度的空间异质性结果为不同区位提出差异化的建成环境更新策略提供了科学依据。     

行李安检智能检测最难分样本集选取方法研究

研究表明,使业务模型性能变差的难分样本对系统边界决策能力增长有决定性影响。由于行李携带危险品的多样性及实物形态的不确定性,以及现场行李安检系统生成的行李X光图像数据呈现“长尾分布”特征,由有限次样本采集的数据集训练得到的智能检测模型,在应用于现场行李安检系统后,存在检测准确率不高的问题。文章针对行李安检智能检测数据分析闭环流程,提出最难分样本集的离散强化选取方法,可从现场行李安检系统运行过程中产生的危险品实例图像中选取最难分样本集,作为新增样本数据,用于智能检测模型的学习更新,实现安检智能检测软件性能的持续增强。     

基于一维深度卷积生成对抗网络的钢轨波磨识别方法

实际工程中钢轨波磨数据难以大量获取,无法构建庞大数据集进行智能诊断模型训练。针对这一问题,本文提出了一种基于一维深度卷积生成对抗网络的钢轨波磨识别方法。首先使用一维生成对抗网络生成与实际波磨振动信号结构相同的伪样本,对样本信号的数据集进行扩充;然后提取波磨振动信号的时域统计指标作为波磨数据的特征;最后使用分类算法对不同特征的波磨振动数据进行学习与分类。使用实测钢轨波磨振动数据进行试验验证,结果表明：利用本文方法所生成的伪样本数据,在时域、频域以及时域特征指标方面均与真实样本数据基本一致;使用KNN、SVM和DT三种分类模型对波磨数据的特征进行分类和对比,均可较好地进行波磨识别。