基于递归图和BP神经网络的桥梁损伤识别研究

为研究递归图和多层前馈（BP）神经网络在桥梁损伤识别方面的应用,以某大跨斜拉桥为例,采用ABAQUS有限元软件建立其三维模型,通过动力分析提取该三维模型的加速度曲线并进行递归图处理和BP神经网络分析。研究结果表明：递归图方法能够初步地识别主梁的损伤位置和损伤程度;BP神经网络分析能够精确识别主梁损伤的具体位置和损伤程度值,且识别准确率均大于85.0%。该方法可为类似桥梁工程的损伤识别提供借鉴。     

基于组合赋权理论的浅埋偏压隧道安全性评价

为获得可靠的浅埋偏压隧道施工安全状态,首先针对浅埋偏压隧道安全性评价工作中致灾因素分析不充分的问题,采用数据挖掘法对相关内容进行数据提取,并依据致灾逻辑建立浅埋偏压隧道安全性评价指标体系;再对层次分析法(AHP)所求权重与熵权法所求权重进行等距离组合,引入变权函数对不良指标进行权重调节;最后结合实际工程进行分析及应用。该浅埋偏压隧道施工安全模型的评价结果与实际工程状况一致,验证了模型的适用性,同时表明使用数据挖掘手段可以丰富指标体系,组合后的变权评价模型能够准确且动态地反映工程安全状态,评价者可根据评价结果提出针对性的指导意见。     

基于层次分析法和D-S证据理论的码头风险评估

在码头风险评估过程中,目前常用的方法对风险事件发生的概率和影响上有一些主观的定性分析,带有结论上的模糊性.运用一种层次分析法和证据理论结合的方法可以提高评估的准确性和可靠度,该方法通过层次分析法确定各评估因素的权重,在此过程中用D-S证据理论对专家评分数据进行融合修正,运用D-S证据理论的合成法则确定码头的风险值.将该...     

SBAS-InSAR和SDE在兰州市城区地面沉降监测中的应用

针对兰州市城区近期地表面沉降状况未知并且监测手段较少的情况,采用SBAS-InSAR技术对兰州市城区2017-2020年间地面状况进行沉降监测,并利用统计分析法、SDE法、时序分析法等方法对沉降量大小、沉降的时空变化特征以及沉降驱动力因素进行分析.结果表明:1)兰州市城区大部分区域发生了沉降,但沉降速率均较小.榆中县沉降区域最多,恒大山水城附近的物流园以及兰州资源环境职业技术学院附近平均累计沉降量较大,地质灾害防治部门应加大对上述区域的监测.2)兰州市城区地面沉降重心向黄河北岸移动,在西北-东南方向上有明显的方向性,沉降速率与累计沉降量有进一步加大的趋势.3)土体类型、建筑和施工等工程效应以及降水量是影响兰州市城区沉降的主要驱动力因素.     

基于层次分析法的迭部县大气环境质量评价

在近几十年的时间内,我国经济迅猛发展,大气污染问题逐日加剧.我国政府已经充分意识到这一问题的严峻性,并制定了大量的相关政策和措施来遏制这一趋势,改善大气环境.精确监测和客观评价一个地区的大气污染情况是改善大气环境的先决条件.利用层次分析法(AHP)模型,选取SO_2、NO_2、PM_(10)三项评价因子,对迭部县2013～2017年大气环境质量及其变化进行评价.研究表明:迭部县大气环境质量在2013～2015年之间处于二级标准,在2016～2017年之间处于一级标准;迭部县大气环境质量受PM_(10)影响较大,受SO_2和NO_2的影响较小.总体来说,迭部县大气环境质量好转趋势明显,这与当地政府狠抓环保,制定相关环保政策密不可分.     

船载防避台智能决策支持技术研究

以船舶防避台实践经验、典型案例和领域科研成果为基础,用现代科技手段,研究船载防避台智能决策支持技术.它由电子海图、船舶动态管理、台风信息查询和台风路径自动标绘、船-台综合态势实时计算和模拟避台、避台智能决策等5个分支组成.综合运用相似理论、天气图方法、卫星云图分析法、台风数值预报等学科理论,构建船舶防台数据库、模型库、知识库,实现对船舶和台风路径全过程实时跟踪和监控、船-台态势分析、威胁等级判断、台风路径补充改正和航线天气预报、避台智能决策.     

图的联结数与分数因子存在性

设G是一个简单无向图,G的联结数定义为bind(G)=min|NG(X)||X|:≠X V(G),NG(X)≠V(G)本文讨论了图的联结数bind(G)与图的分数因子存在性的关系,给出了图有分数因子的若干充分条件。     

关于图的符号边全控制

引入了图的符号边全控制的概念,主要刻划了满足sγt′(G)=|E(G)|且δ(G)2的所有连通图G,给出了n阶k-正则图G的符号边全控制数γst′(G)的下限,确定所有轮图的符号边全控制数,最后还提出了一个关于sγ′t(G)上界的猜想.     

关于正则图的最大特征值的一个不等式

主要讨论了Krivelevich的与图的谱有关的一个不等式的等号成立的情况,得到下面的结果:定理1:设G=(V,E)是n个顶点的d正则图,令d=λ1≥λ2≥Λ≥λn是G的所有特征值.又令λ=max2≤i≤n|λi|,则对于U,W(∪)V,有|e(U,W)-d|U‖W|/n|≤λ√|U‖W|(1-|U|/n)(1-|W|/n),其中e(U,W)表示U到W的边数;等号成立当且仅当U=W,且G|e(U,W)-d|U||W|/n|或者为具有参数(n,k,a,a)的强正则图,或者为完全图.     

基于特征图可视化的医学图像分析

现有的医学图像分类算法中普遍存在模型的可解释性问题,将同一卷积神经网络应用到不同的数据集上,分类性能千差万别.针对这一问题,提出了一种基于特征图可视化的医学图像分析方法.在卷积神经网络的特征提取阶段设计4个特征图可视化模型,这些模型将具有与网络相同的输入层以及权重,但输出则是一系列特征图.采用SSIM相似度对信息熵最大的特征图评估,分析4个模型提取到的特征信息.在kaggle官网上提供的BreaKHis、Chest X-Ray、Retinal OCT 3类数据集上进行实验,其中基于VGG16网络的特征图可视化模型提取到的特征相似度分别集中在0.95,0.93,0.85,分类精度分别为75.96%,77.19%,99.40%.此外,在ResNet18网络上也有相同的表现.研究表明：分类性能取决于网络的特征提取能力,在保证相似性的前提下,卷积层之间提取到的特征其相似度越低,该数据集在同一网络上往往表现出更好的分类性能.