保定市居民出行特征调查报告

居民出行特征调查是编制城市综合交通规划及各类相关规划的基础,为政府的交通政策制定提供依据.该文以大量、翔实的实地调查数据为基础,详细分析了保定市2008年的居民出行基本特征、出行方式特征及出行时间特征,为编制综合交通规划、制定交通政策做准备.     

滑带力学特征及厚度对抗滑桩滑坡推力分布的影响

针对抗滑桩滑坡推力对边坡支护效果的影响进行研究,利用数值模拟的方法分析滑带结构特征与物理参数对抗滑桩滑坡推力分布形式的影响规律,结果表明重度对滑坡推力分布形式影响很小;随着弹性模量的增大,滑体段推力总体上呈梯形分布,而滑带处的推力呈抛物线形分布;随着摩擦角和内聚力增加,滑坡推力分布曲线由非线性向线性转变;滑带厚度对滑坡推力的分布形式也存在一定的影响作用.     

CLY6110PHEV油电混合城市客车车身设计

主要介绍CLY6110PHEV混合动力城市客车的车身设计和部分结构特点.     

我国山区公路排水问题及水毁调查分析

对山区公路排水调查，提出了公路排水存在的问题，并对公路排水系统（排水沟、截水沟、急流槽、小桥涵）的各种具体水毁形式及产生原因分析列表。在此基础上，归纳总结了排水沟渠易于水毁的4个特征，水毁4种典型方面，3个须解决的关键的水力学问题。这些公路排水的水毁问题的经验总结，对减少山区公路排水的水毁具有积极意义。     

用于结构损伤位置识别的两种神经网络性能比较

为了克服用BP网络进行结构损伤位置识别时网络结构确定难、网络训练易陷入局部极小、训练时间长以及处理带噪声数据需要大量的误码练样本等问题，提出用SOFM网络进行结构损伤位置识别的方法。分别用SOFM网络和BP网络对一桁架结构进行损伤位置识别，通过比较两种网络的性能发现SOFM网络不但网络结构容易确定，网络训练不存在陷入局部极小的问题，BP网络只有在大量训练样本条件下才能保证网络具有较好的抗噪声能力，若训练样本不足，则BP网络的抗噪声性能较差，而SOFM网络在较少训练样本情况下即可具有良好的抗噪声性能，因而SOFM网络更适合训练样本有限备件下的结构损伤位置识别。     

摩洛哥布里格里格河谷斜拉桥设计与技术特点

布里格里格河谷斜拉桥项目位于摩洛哥王国境内拉巴特绕城高速公路上,离首都拉巴特市区30km。大桥全长951.66m,主桥采用(183+376+183)m叠合梁斜拉桥,桥塔和主梁在塔、梁交接处固结。斜拉桥主梁采用边主梁结构,混凝土边主梁之间通过金属横梁连接,金属横梁上安装预制混凝土桥面板,桥面宽29.82m。梭形混凝土桥塔由四肢分离式曲线型塔柱组成,造型优美,塔墩基础均采用扩大基础。全桥共设80对斜拉索,采用平行钢绞线拉索体系,空间呈扇形索面布置。主梁0号块在桥塔处的临时支架上施工,主梁标准节段采用牵索挂篮施工工艺。     

武汉地区岩溶发育特征及地铁工程中岩溶处理

以武汉地铁岩溶专项勘察资料和地铁工程中岩溶处理案例为依据,采用综合统计方法分析岩溶发育特征和规律,总结地铁车站、区间隧道穿越岩溶区时的处理方法。研究表明武汉地区岩溶为浅层岩溶,主要在岩面以下0~15 m范围发育,表现为溶洞、溶沟、溶槽,钻孔遇洞率约50%,线岩溶率约6%,溶洞埋置越深填充率越低。岩溶区主要分为Ⅰ,Ⅱ,Ⅲ3种地质结构类型并对应高、中、低3种岩溶塌陷风险区。根据岩溶地质结构类型分类总结武汉地铁建设中采取的注浆填充、岩层注浆帷幕、土层隔离、旋喷加固及围护结构入岩等处理措施。     

1种机场场面移动目标特征提取方法

目标特征提取作为其类型识别的关键问题,对保证机场场面运行安全有着重要的研究意义.基于地磁传感器(anisotropic magneto resistance,AMR)采集的机场移动目标磁信号,提出了1种综合考虑磁信号的时域及频域特征的目标检测方法,内容包括目标检测,磁信号的时域及频域特征提取.该方法首先通过在跑道中线布置双传感器方式感知信号并计算目标长度,基于目标长度规整时域信号获得其峰值特征;其次利用小波变换3层分解已规整的时域信号,并归一化各阶及近似信号能量值作为提取信号的频域特征,最终与信号时域特征共同构成信号的全部特征.在实验验证中,利用目标特征区分度测度方法使得不同目标之间的相似度均低于0.79,相比于单一时域或频域特征提取方法,时频特征提取方法消除了不同目标间极端相似的现象.     

基于多分类监督学习的驾驶风格特征指标筛选

交通事故与驾驶风格具有强烈的相关性,而驾驶风格的直观体现是驾驶行为。为深入分析驾驶行为与驾驶风格的关联性,探索不同驾驶风格群体之间的差异,筛选驾驶风格分类与识别影响因素,建立驾驶风格识别模型并验证有效性。依托车联网实验数据,利用K-means++算法对驾驶员样本数据集进行驾驶风格聚类,设计支持向量机-递归特征消除（SVC-RFE）与随机森林-递归特征消除（RF-RFE）算法进行驾驶特征重要度排序,利用筛选出的特征指标搭建神经网络驾驶风格识别模型。结果表明：①特征个数n = 6时,2种特征排序算法的排序正确率均高于85%,其中RF-RFE的正确率可达90%;②特征排序中重要度最高的指标为最大速度,其在3种驾驶风格群体中的差异可达10 m/s;③仅以最大速度作为输入,驾驶风格识别模型精度为86.1%,表明最大速度可有效区分驾驶风格。

     

基于深度可分离卷积和多级特征金字塔网络的行人检测

为提高行人检测的准确率,提出一种基于卷积神经网络的行人检测方法。该方法以YOLOv3-tiny算法为基础,在骨干网络部分,用深度可分离卷积的网络结构代替原卷积网络结构,加深网络深度。在检测部分,提出一种改进的多级特征金字塔网络,该网络由8个结构相同的使用深度可分离卷积的特征金字塔组成,特征金字塔之间串联连接,将不同金字塔得到的相同尺寸的特征进行融合,利用融合后的特征金字塔进行检测。在Caltech Pedestrian数据集上进行测试。结果表明:该方法的漏检率为57.83%,比梯度方向直方图(HOG)方法低32.53%,比基于深度学习的方法SA Fast-RCNN和MS-CNN分别低4.67%、3.21%;运行速度为34 ms/帧。因而,该方法满足了实时性要求。