国Ⅲ实施将使“透支的”卡车市场下半年降温——2008年上半年卡车市场深度分析及下半年预测

据中国汽车工业协会最新统计数据显示,截至6月底,全国总计销售汽车518．22万辆,同比增长18．52％。其中,乘用车销售360．90万辆,同比增长17．07％：商用车中的卡车销售138．60万辆,同比增长23．08％,客车销售18．72万辆,同比增长14．44％（上半年卡车细分市场按老、新统计口径销售态势分别见表1、表2）。显然,卡车的销售增幅要远远超过乘用车和客车,其对整个汽车市场增长的贡献度是最高的。     

改进的多因素砼碳化方程

较系统地阐述了现有的多因素砼的碳化模型,并对它们进行了分析比较,结合最新的研究动态,提出了考虑环境因素和CO2浓度因素的碳化深度预测模型,用工程实测数据对模型进行了验证,同时指出了砼碳化方程模型需要改进的地方.     

回弹值检验结构混凝土强度的影响因素分析

通过对影响回弹法检测过程中的直接因素和间接因素的综合分析,基于回弹法检测的基本原理及测试过程,就影响回弹法测强的几个关键因素的精度提高问题,提出相应的解决方法,对于回弹法的推广应用具有实际意义。     

回弹值检验结构混凝土强度的影响因素分析

通过对影响回弹法检测过程中的直接因素和间接因素的综合分析,基于回弹法检测的基本原理及测试过程,就影响回弹法测强的几个关键因素的精度提高问题,提出相应的解决方法,对于回弹法的推广应用具有实际意义。     

异形桥墩冲刷试验研究

由异形桥墩引起的局部冲刷,因其成因较复杂,以前研究大都采用了半理论半经验的方法.笔者通过对异形桥墩的单墩及组合试验,对其冲刷形态和冲刷坑深度进行系列研究和比较.结果发现,桥墩冲刷形态与原墩相近,且当两墩距离较近时,上游桥墩对下游桥墩的冲刷有一定的保护作用.     

涵洞整体式基础分析与设计

主要介绍涵洞整体式基础选择及设计要点,重点分析整体式基础地基承载力的深度修正,并通过计算,对整体式基础的材料选用进行了比较说明。     

基于ASAE深度学习预测海洋气象对船舶航速的影响

为了有效地预测海洋气象对船舶航速的影响, 在稀疏自编码(SAE) 网络模型的基础上提出交替稀疏自编码(ASAE) 网络模型; 构建了海洋气象对船舶航速影响的预测框架, 利用关联规则方法对航行数据进行特征选择, 挖掘了船速影响因素及其隐含关系; 整合了中国远洋海运集团有限公司提供的船舶航行数据以及美国国家海洋和大气管理局提供的气象数据, 用训练样本对ASAE网络模型进行训练, 用测试样本对ASAE网络模型进行验证, 并与支持向量回归(SVR) 模型、反向传播神经网络(BPNN) 模型、深度信念网络(DBN) 模型及SAE网络模型的预测结果进行了对比。研究结果表明: ASAE网络模型的训练时间和海洋气象对船舶航速影响预测值的均方根误差分别为8.2s和0.287 3kn, 与SVR模型、BPNN模型、DBN模型及SAE网络模型相比, 训练时间分别缩短了1 683.1、66.9、2.0、1.5s, 预测准确度分别提高了0.045 5、0.296 9、0.153 4、0.178 6kn; ASAE网络模型的预测结果更符合实际海况, 可动态掌握海洋气象对船舶航速的影响; 通过预测的航速影响值来推算实际航速可为气象导航优化船舶运输过程起到辅助作用, 在进行航线规划、航速推荐等航行优化策略时能准确考虑海洋气象所产生的复杂影响, 从而改善船舶运营能效指标, 实现节能、低碳、绿色航行的宗旨。     

基于碳化模型的混凝土残余寿命影响因素研究

基于碳化试验的经验模型,通过室内快速碳化试验研究水泥用量、水胶比、环境温度、环境湿度、CO_2浓度与混凝土碳化深度的关系,结果表明:随着水泥用量的增加,混凝土各龄期的碳化深度逐渐降低;随着水胶比的增大、粉煤灰掺量的提高、环境温度的升高、CO_2浓度的增加,混凝土各龄期的碳化深度逐渐增加;随着环境相对湿度的增加,混凝土碳化深度先增大后减小,在70%湿度下最大。研究为混凝土残余寿命的评估提供了理论支撑,具有一定的应用推广价值。     

卷积神经网络及其在智能交通系统中的应用综述

从特征传输方式、空间维度、特征维度3个角度,论述了近年来卷积神经网络结构的改进方向,介绍了卷积层、池化层、激活函数、优化算法的工作原理,从基于值、等级、概率和转换域四大类总结了近年来池化方法的发展,给出了部分具有代表性的激活函数对比、梯度下降算法及其改进型和自适应优化算法的工作原理和特点;梳理了卷积神经网络在车牌识别、车型识别、交通标志识别、短时交通流预测等智能交通领域中的应用和国内外研究现状,并将卷积神经网络算法与支持向量机、差分整合移动平均回归模型、卡尔曼滤波、误差反向传播神经网络、长短时记忆网络算法从优势、劣势和在智能交通领域的主要应用场景三方面进行了对比;分析了卷积神经网络在智能交通领域面临的鲁棒性不佳和实时性较差等问题,并从算法优化、并行计算层面和有监督学习到无监督学习方向研判了卷积神经网络的发展趋势。研究结果表明：卷积神经网络在视觉领域具有较强优势,在智能交通系统中主要应用于交通标志、车牌、车型识别、交通事件检测、交通状态预测;相比其他算法,卷积神经网络所提取的特征更加全面,有效地提高了识别准确度与速度,具有较大的应用价值;卷积神经网络未来将通过网络结构的优化、算法的改进、算力的提升以及基准数据集的增强,为智能交通带来新的突破。     

基于图自编码-生成对抗网络的路网数据修复

完整的交通路网数据是实现智能交通系统的前提,故本文提出一种基于图自编码-生成对 抗网络的方法对路网中缺失数据进行修复。首先,通过降噪图变分自编码器提取路网缺失数据 的时空特征,使其能最大程度捕获原始路网信息;其次,基于该时空特征利用生成对抗网络生成 路网数据,加入重建损失并优化生成对抗网络的目标函数,实现对缺失数据的有效插补;最后,采 用西雅图(Seattle)和加州(PEMS04)路网速度数据集,针对不同缺失类型和缺失率下的数据修复进 行对比实验。当随机缺失率在 10% ~70%时,Seattle 数据集的 MAE 指标在 2.38~3.25 之间, PEMS04 数据集的 MAE 指标在 1.46~2.38 之间;当聚集缺失率在 10%~70%时,Seattle 数据集的 MAE指标在2.51~2.82之间,PEMS04数据集的MAE指标在1.52~1.54之间。对比结果表明,本文 提出的路网数据修复方法均优于BP、DSAE、BGCP等模型。