基于移动互联网的公共交通车辆轮胎养护平台与大数据分析

本文通过阐述如何建立轮胎专家数据库,怎样应用车联网传感器和移动互联网技术,又如何借助轮胎异常预警算法,为城市公交公司管理者、工程师和驾驶员提供一整套行之有效的解决方案。公交车是城市公共交通运输体系中的重要一环,甚至可以说是最重要的一环。它承担的公共交通任务是,为尽可能多的市民提供安全、实惠的城市出行选择。因为涉及的市民数量大。     

基于哈默差错理论的驾驶员行为差错分析与预防

基于哈默对人的差错理论,对驾驶员的行为差错从疏忽性、执行性、多余性、次序性和时间性等5方面进行了分析,指出导致驾驶员失误的主要因素有疲劳因素、饮酒因素、生理因素和心理因素,并针对这4个因素提出相应的预防措施.     

新加坡公共交通发展经验及启示

通过实际考察和走访咨询,系统地总结了新加坡的公共交通发展经验。首先介绍了新加坡对小汽车和公共交通发展采取的＂推、拉策略＂,以及新加坡公共交通的发展历程。在此基础上,对新加坡公共交通发展的成功经验进行了归纳和总结,包括管理机制、公共交通设施建设、公共交通运营系统、政策法规等方面的内容。结合我国城市交通发展的现状和特点,对城市公共交通的发展提出了措施和建议。     

实践、制度与理论:台湾乡镇市刑案调解范围之扩张

台湾乡镇市刑案调解的范围一直呈扩张态势,由此引发调解实践、调解制度与调解理论之间的紧张关系.乡镇市刑案调解的适应性来源于当事人和社会的强烈需求,法律设定的界限屡遭超越.乡镇市调解实践中反映出的从事实出发的思维,比从法律出发的思维更能彰显调解的灵活性特质.     

服务业需求与服务业劳动生产率的相关性研究

服务业劳动生产率增长缓慢,是制约服务业发展的重要原因.本文从服务产品的生产、交换和消费具有同时性、不可储存性以及不可转移性出发,从理论和经验实证两方面分析了服务业需求与服务业劳动生产率之间存在着互相影响的因果关系,并提出从扩大服务需求出发,提高服务业劳动生产率,促进服务业发展的政策建议.     

扑热息痛多腔体贮库式植入剂的制备及体外释放性能检测

目的以聚乳酸-羟基乙酸共聚物（PLGA）为载体,制备扑热息痛贮库式缓释体系,研究其体外释药性能。方法用微机电技术制备扑热息痛多腔体贮库式植入剂,采用高效液相色谱法检测药物的释放性能。本实验采用C18色谱柱,以甲醇-水（15：85）为流动相,检测波长为215nm,流速为0．8mL／min。结果载体形状不同,体外药物释放速率具有明显差异,外方内六边形扑热息痛植入剂缓释曲线符合Higuchi方程。结论扑热息痛多腔体贮库式植入剂制备工艺可行,载体的腔体形状对体外药物释放速度有较大影响。     

中国枢纽港集装箱码头多式联运吞吐量快报(2015年2月)

<正>~~     

上海港北槽深水道应急抛锚操纵1例

<正>0引言上海港北槽深水航道指长江口船舶定线制A警戒区西侧边界线至圆圆沙警戒区东侧边界线之间的航道,总长约43 n mile。A警戒区西侧边界线至D12灯浮航道底宽400 m,设标宽度550 m;D12灯浮至圆圆沙警戒区东侧边界线航道底宽350 m,设标宽度500 m。北槽深水航道维护水深为理论最低潮面以下12.5 m。北槽深水航道附近的锚地主要有北槽锚地、横沙锚地以     

基于Adams与Isight的某转向机构运动学仿真及多目标优化

针对东风某重型商用车在使用中存在的轮胎异常磨损问题,利用Adams/View对该样车双轴转向机构进行参数化建模与运动学仿真,仿真结果表明:各车轮实际转角关系与阿克曼理论转角关系存在一定误差,其中第二轴两车轮转角误差较大,导致该轴轮胎磨损严重。利用多学科优化软件Isight集成Adams/View建立了转向机构运动学仿真优化分析流程,采用正交数组DOE分析法和NCGA遗传算法实现了该转向机构的多目标优化。优化结果表明:优化后各车轮转角误差大大减小,有效解决了车轮异常磨损问题。     

基于多模式弱分类器的AdaBoost-Bagging车辆检测算法

针对现有车辆检测算法在实际复杂道路情况下对车辆有效检测率不高的问题,提出了融合多模式弱分类器,并以AdaBoost-Bagging集成为强分类器的车辆检测算法。结合判别式模型善于利用较多的特征形成较好决策边界和生成式模型善于利用较少的特征排除大量负样本的优点,以Haar特征训练判别式弱分类器,以HOG特征训练生成式弱分类器,以AdaBoost算法为桥梁,采用泛化能力强的Bagging学习器集成算法得到AdaBoost-Bagging强分类器,利用Caltech1999数据库和实际道路图像对检测算法进行了验证。验证结果表明:相比于单模式弱分类器,AdaBoostBagging强分类器在分类能力和处理时间上均具有优越性,表现为较高的检测率与较低的误检率,分别为95.7%、0.000 27%,每帧图像的检测时间较少,为25ms;与传统级联AdaBoost分类器相比,AdaBoost-Bagging强分类器虽然增加了12%的检测时间和30%的训练时间,但检测率提升了1.8%,误检率降低了0.000 06%;本文算法的检测性能显著优于基于Haar特征的AdaBoost分类器算法、基于HOG特征的SVM分类器算法、基于HOG特征的DPM分类器算法,具有较佳的车辆检测效果。