轮机英语评估口语表达中的母语负迁移现象分析

外语学习者在学习中常受母语对目的语的负迁移影响。本文以浙江交通职业技术学院近三年来轮机专业学生为研究对象,对他们在全国适任证书评估考试中的口语表达错误进行了系统的统计。对母语负迁移引起的错误现象和原因进行了分析,并提出了相应的对策,从而使轮机学生有效地减少母语负迁移影响,提高学生轮机英语英语口语表达能力。     

有限单元法在人工冻土冻胀数学模型分析中的应用

建立了冻土中的热传导模型.在计算冻胀时,利用水分入流量和时间关系计算水分迁移引起的冻胀应变;利用已冻土中未冻含水量和温度关系,求原位水的冻胀应变,将冻结引起的体积膨胀系数作为负的热膨胀系数.利用MARC程序中热应力的计算程序计算外界迁移水和原位水的冻胀位移;两项位移之和为总冻胀位移,并利用冻胀率和荷载的实验公式来考虑荷载对冻胀的影响.采用有限单元法对二维水平冻结模型进行了数学模型分析.通过验证,证明所提出的有限元模型及相关参数,可以结合有限元计算软件用于计算冻土中的冻胀量,分析其在外界荷载作用下对环境的影响.     

综合监控系统迁移技术在深圳地铁的应用

以深圳地铁项目实例为背景,从综合监控系统软件架构、软件部署、系统测试、运行等方面,介绍综合监控系统迁移技术在地铁延长线与既有线路间整合与切换的过程,并引入人因工程设计的概念,同时强调运营管理与组织对系统整合工作的重要性.     

机器学习综述

机器学习(Machine learning,ML)是人工智能领域的重点研究方向之一,在很多领域得到了广泛的应用,全面且深刻地认识ML显得十分必要.根据训练样本和反馈方式的不同,将ML分为监督学习、无监督学习等六类,阐述了ML领域若干经典算法的原理、利弊及其应用,介绍了ML在不同场景中的典型应用,最后展望了ML的发展前景...     

基于无人机和迁移学习的涵洞图像识别及GPS定位

为提高涵洞淤堵病害的检测效率,研究了基于无人机采集病害视频、图像资料和迁移学习的卷积神经网络(人工智能)算法对涵洞图像进行分类。将涵洞状况分为：淤堵、部分淤堵和正常3个类别。并把在ImageNet图像数据集上预训练过的人工智能算法(如ResNet-18网络模型)应用至涵洞图像中,以此提高人工智能算法的准确性。结果表明：使用ResNet-18对涵洞分类识别准确率可达到93%,实现了对涵洞状况的有效分类。此外,还提出了一种通过MATLAB调用涵洞状况图像GPS信息得到地理位置定位的方法,帮助二次检测或后期维护人员快速达到病害现场,进行相关的监测维护工作。     

从语言与思维的关系探析母语在二语习得过程中的影响

语言和思维有着密切的关系。美国结构主义语言学家Edward Sapir在论述语言与思维的关系时说,语言是工具,思维是产品,思维是人们反映客观事物的一种抽象概括能力,它是通过语言来进行的,人在思维过程中借助语言进行比较、分析、综合、概括、推理和判断。母语在二语习得过程中是客观存在的,它对二语习得的影响也是不可避免的。但不管这种影响是负迁移还是正迁移我们都应在二语习得过程中发挥主观能动性尽量使母语成为促进二语习得的因素。     

动力湿化作用下粗粒土高路堤渗流场时空演化模型试验

为了研究动力湿化作用下渗流水在粗粒土高路堤内的迁移特性,自主研发设计制作一种室内喷洒降雨装置及车辆动力荷载模拟装置,开展动力湿化作用下粗粒土高路堤渗流场时空演化模型试验,从时间和空间2个角度描述渗流水在路堤内的迁移特性,然后根据模型试验结果,建立粗粒土渗流场时空演化机制,揭示动力湿化作用下的粗粒土高路堤边坡渐变失稳发育机理。研究结果表明：基于相似理论,开展粗粒土高路堤渗流场时空演化模型试验可以较为真实地反映粗粒土高路堤在动力湿化作用下渗流水的迁移特性;动力湿化作用下,湿润锋首先在路堤边坡表面形成,并逐渐从边坡表面向内部拓展,在坡顶处的拓展速率较小,坡脚处的拓展速率较大;受湿润锋演变规律的影响,路堤边坡监测点负孔隙水压力逐渐减小,体积含水率逐渐增大,坡前应力逐渐增加,位于坡脚浅层区域的应力增加速度较快;依据渗流水的迁移规律,将渗流影响范围内的土体自上而下分为浅层暂态饱和区、渗流水填充区及渗流水湿润区;在动力湿化作用下,粗粒土高路堤边坡将逐渐产生沿坡脚深层滑移的渐变趋势。     

日本耐候钢桥梁技术的研究发展动向

桥梁耐候钢技术源于欧美,日本引进这一技术后发展较快,并针对应用过程中的问题开展了大量的研究工作。为提高钢材的耐候性能,进行针对锈蚀构造机理的研究,提出耐腐蚀改善方法,查明异常锈蚀原因以采取防护措施;为提高在高盐分下的耐候性能,开发镍(Ni)系高耐候钢;研究开发统一评价各种耐候钢的耐候性能方法。由于耐候钢的防腐性能受腐蚀环境影响较大,采用盐分分布仿真技术和腐蚀环境监测技术大幅度降低异常腐蚀发生的风险。为实现耐候钢桥长寿命化,在锈蚀发展动态的定量评价技术、涂装修补方面的技术开发、剩余承载力的评价方法等方面进行了进一步研究。     

小样本下基于迁移学习与LSTM的雾天高速公路车辆跟驰模型

由于在现实生活中能够采集到的不同雾天等级的高速公路车辆跟驰样本有限,导致雾天跟驰模型精度不佳,为此在长短时记忆神经网络（long short-term memory,LSTM）跟驰模型的基础上,采用迁移学习（transfer learning,TL）方法来提升雾天跟驰模型的性能。利用驾驶模拟实验平台搭建高速公路雾天与正常天气2种实验场景进行驾驶模拟实验,获得296组正常天气下（源域）的跟驰样本与100组雾天下（目标域）的跟驰样本。提出了基于最长公共子序列（longest common sequence solution,LCSS）的迁移样本选择方法,从源域中选出100个样本迁移至目标域中,通过扩大训练样本提升LSTM从源域、目标域特征到目标域输出的端对端泛化学习能力,得到雾天高速公路车辆跟驰模型。为对比所提样本迁移方法对LSTM模型的效用,将LSTM-TL模型与训练样本全部来源于源域的LSTM-S模型和训练样本全部来源于目标域的LSTM-T模型进行对比,LSTM-TL模型的均方误差、均方根误差和平均绝对误差比LSTM-S模型分别减小47.5%、27.7%和46.5%,比LSTM-T模型减小31.1%、17.0%和29.9%。为对比不同模型在仅有100组目标域样本时的性能,将LSTM-TL模型与Gipps、IDM、BP这3个模型进行对比,LSTM-TL模型的均方误差、均方根误差和平均绝对误差比3个模型中表现最优的Gipps模型减小18.5%、8.0%和25.9%。结果表明：直接将LSTM-S模型应用于目标域的预测,其精度不高,采用样本迁移合理可行;LCSS方法对源域样本筛选有效,由100个源域样本迁移到目标域训练得到的LSTM-TL模型的精度最高;在小样本情况下,拥有较少参数的Gipps模型预测精度优于LSTM-T或LSTM-S模型,但由于迁移学习能够从源域样本中获取知识的特性,LSTM-TL模型有着最高的精度。