日本企业的改善文化与改善成本计算

介绍了日本企业的改善文化,阐述了改善成本计算的概念,并通过Daihatsu汽车公司的实践说明了改善成本计算的具体做法;比较了改善成本计算与标准成本计算的不同,指出改善成本计算在成本管理上充分体现了日本企业改善文化所追求的那种持续改进的精神,它比标准成本计算更加积极有效,是值得我国企业学习和借鉴的成本管理方法。     

基于在线地图交通状态的关键道路动态识别方法

交通拥堵问题日趋严重,关键道路识别成为了交通领域的研究重点. 以在线地图的交通状态数据为基础,利用时空相关性理论计算道路交通状态的预测值和波动影响值,并通过Moran 散点图划分道路类型,提出了基于在线地图交通状态的关键道路动态识别方法. 首先,调用在线地图开发者平台API 采集路网的交通状态数据,利用集成学习动态预测交通状态;其次,分析交通状态波动的传播结构,以此量化道路对其近邻道路的影响值;然后,结合道路交通状态的预测值和波动影响值划分道路类型,进而识别出关键道路;最后,以实际路网为例,论证方法可行性.     

基于形态检测与深度学习的高空视频车辆识别

为了准确提取广域场景道路交通信息,本文融合形态检测与深度卷积网络,提出了无人机视频车辆定位及车型识别方法. 首先,基于形态检测建立候选目标提取算法,并构建了含244 520 个无人机视频车辆样本的深度学习图像基准库;然后,通过增加卷积层、池化层及调整网络参数等方法对AlexNet 进行重构,提出了改进模型AlexNet*;最后,建立了基于候选目标提取算法与AlexNet*的车辆识别方法. 验证分析显示：AlexNet*的图像分类F1 均值达 85.51% ,优于AlexNet(82.54% )、LeNet(63.88% )、CaffeNet(46.64% )、VGG16(16.67% ) 及 GoogLeNet(14.38%);本文车辆识别方法对小汽车及公交车的正检率、重检率和漏检率均值分别达94.63%、6.87%、4.40%,可有效识别无人机视频目标.     

多模式公交网络中考虑定制公交的活动与出行建模

近年来,由于一些新型交通服务的出现与迅速发展,多模式公交网络包含了更多的交通模式.定制公交作为一种创新的公共交通服务,在中国许多城市引起了人们的广泛关注. 针对包含定制公交的多模式公交网络,本文提出了基于活动的模型以模拟出行者的活动与出行行为.本模型探究了由于定制公交的出现,人们在多模式公交网络中的行为决策变化,并采用了超级网络以同时模拟用户的活动与出行行为.为研究定制公交的容量约束与预约机制,在模型中有效模拟了用户的逐日学习与调整过程.本文通过实例验证了所提出模型的有效性,结果显示,定制公交的运营显著影响了出行者的活动与出行行为.     

高职外语教学中培养学生外语学习兴趣的途径

外语学习兴趣是学生外语学习自觉性和积极性的核心因素。笔者根据自己几年的教学实践经验,阐述了高职外语教学中培养学生外语学习兴趣的几条途径。     

物流预测技术中的移动平均线方法

在讨论移动平均值的基础上,提出了物流预测技术中的移动平均线方法,介绍了移动平均线的构造方法,论述了不同时间跨度的移动平均线的特点,讨论了选取时间跨度所要考虑的一些主要因素,并介绍了确定不同“时期”的方法,文中结合实例对物流预测技术中的移动平均方法进行介绍,结果表明,此方法既能预测销售物流短期,中期和长期变化趋势,又能进行短期定量预测。     

远程教育网络课程Web技术开发研究

论述了远程教育过程中网络课程的开发技术和方法,对开发基于Web的应用程序的关键技术,即ASP技术、ADO技术、VBScript和JavaScript脚本语言进行了研究,并给出了一个网上考试的具体实例。     

基于PEMS的非道路移动机械排放测试方法研究新探

机械污染物排放直接关系着大气环境的整体质量,对于社会经济的可持续发展具有积极作用。现阶段,非道路移动机械污染物排放量增大,有必要做好此类机械排放的系统监管和测试。本文在阐述PEMS技术内涵及原理的基础上,系统设计实验,对几种典型非道路移动机械进行排放测试,期望能为非道路移动机械排放测试工作的开展提供参考,实现机动车污染的有效防控,提升大气环境保护质量。     

基于迁移学习的桥梁表观病害检测技术研究

桥梁表观病害检测是保证桥梁设施安全的关键技术之一。深度卷积网络因其强大的特征提取能力,被广泛应用于土木工程领域的结构病害识别与检测,然而在土木工程领域中往往缺乏用于训练深度学习网络的高质量大规模病害图像数据集。针对上述问题,提出一种基于迁移学习的桥梁表观病害检测方法。该方法运用迁移学习技术,通过迁移VGG16网络模型结构及全部卷积层参数,并在迁移后的模型结构上添加新的全连接层,以此来解决训练数据集不足的问题。运用动态学习率调整策略,以不同的学习率对卷积层和全连接层参数分别进行微调,用于提高模型的识别准确率。实验对比ResNet18,ResNet50,VGG19,VGG16等主流深度学习网络模型,该方法在验证集上取得了最高准确率,为98.86%。用实拍的未经过处理的桥梁表观病害图像数据集进行测试,该方法的整体结构表观病害识别准确率达到88.33%,其中泛碱、露筋和裂缝3类病害的测试准确率分别达到96.25%,80.00%和88.75%,具有较高的病害识别准确率,可以用于在役桥梁表观病害识别。     

基于改进型D3QN深度强化学习的铁路智能选线方法

传统的人工选线方法劳动强度大,设计效率低,随着我国铁路建设重心向西部复杂艰险山区转移,人工选线面临的困难日趋凸显。为缩减铁路选线的人力物力成本,提高设计效率,亟需发展结合了人工智能和信息技术的现代选线技术。为此,提出一种基于深度强化学习理论的铁路智能选线方法。以带有空间属性信息的数字高程模型为选线环境,以相邻空间点间的建造费用为即时奖励,以工程建造费用最小为优化目标,设置离散化的备选动作,考虑多种约束条件,构建面向铁路选线的深度强化学习模型。结合深度学习的感知能力和强化学习的决策能力,利用双竞争深度Q学习网络(DuelingDouble-Deep Q Network,D3QN)对模型进行训练,既克服强化学习问题对复杂状态和动作空间难以收敛的缺点,同时解决了传统DQN算法易于出现过估计、训练不稳定的问题,实现自动对选线环境进行感知、搜索、判断、决策,最终寻得目标函数最优的线路方案。以某山区铁路对本方法进行验证,实验结果表明：该方法能搜索到多样化的线路备选方案,可以为设计人员提供新的设计思路;有效降低了铁路建设的经济费用,较人工选线方案节约最多达17.5%。智能选线方法可以帮助节省选线工作...