异构数据库数据迁移工具的设计与实现

异构数据库数据迁移是新型信息系统研制的重点之一。数据迁移就是将数据从一种数据环境移入另一种数据环境，它不仅仅是简单数据转移，还涉及到数据格式转换。在分析数据迁移常用方法基础上，提出一种更有效实现方法，具体实现一个通用异构数据库数据迁移系统。     

装卸工属具产品敛收抽检方法探讨

针对目前在装卸工具产品验收抽检规则的制定方面缺乏科学的考虑及抽检现状，论述了百分比抽检法的不合理性，介绍了抽检方法的选用原则和以数理统计理论为依据的现代抽检方法的原理，特性，种类，以期将现代抽检方法引到装卸工属具产品的验收检验中来。     

统计抽样在物资审计中的应用

统计抽样审计是抽样审计的一种。它是根据数理统计的理论，按随机原则，从总体中抽出一定数量的样本进行检查，用以推断总体结果的一种方法。在审计工作中，抽查样本数量的多少，应根据预计差错率、精确限度、可靠程度等影响因素，建立相应的计算公式进行定量计算，以保证样本具有代表性，从而保证审计质量。     

Oracle与异数据库互访技术

文章分析、介绍了应用ＤＣＴ（Ｄｏｎｖｅｒｉｓｏｎ Ｔｏｏｌ，数据转换工具）技术和网关技术，以实现Ｏｒａｃｌｅ ＲＤＢＭＳ与异种数据库之间的数据迁移和数据共存问题，并简要阐述了Ｏｒａｃｌｅ在ＯＤＢＣ／ＪＤＢＣ方面的发展状况。     

走马观花看英法汽车市场

主要介绍了英国和法国轿车市场的基本体系,涉及主流车型、各品牌占有率抽样统计、销售模式、常见轿车车型的价格和汽车使用费用等,从中思考中国汽车市场的发展方向。     

不同细粒含量下高铁路基粗颗粒填料水气迁移特征与冻胀特性

采用自行研发的水气迁移试验装置开展单向冻结试验,研究在气态水迁移和水气混合迁移2种水分迁移模式下,不同细粒含量粗颗粒填料的温度场与冻结深度、外界补水量、水分重分布、液态水迁移高度及冻胀变形的变化规律,分析细粒含量对高铁路基粗颗粒填料水气迁移特征及冻胀特性的影响.结果表明:细粒含量和水分迁移模式对粗颗粒填料冻结过程和深度...     

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。     

铁路隧道下穿既有公路地层变形特性研究

文章结合张唐铁路工程燕山隧道下穿公路出口段,采用三维有限差分程序,研究分析了其施工过程中的地层变形特性、力学响应、能量积聚及塑性区分布特征.研究结果表明:公路最大沉降量小于规范要求,围岩竖向最大变形为20 mm,水平变形为16 mm;掌子面前方挤出变形明显,最大值为38 mm;边墙能量密度集中现象较显著,位于距洞壁5 m深部围岩处;掌子面前方6 m左右围岩处出现能量积聚,为掌子面稳定关键部位:塑性区主要集中在掌子面前方、拱肩、边墙及墙脚.为此,建议对掌子面进行预加固,保证墙脚和拱肩部位配筋,提高结构整体稳定性.     

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。     

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。