西攀路枣子林、酸水湾段地质选线

西攀路枣子林、酸水湾地段由于受昔格达东西支断裂的影响,断裂构造纵横交织,地形陡峻,岩体破碎,不良地质现象发育,针对线路通过酸水湾巨型滑坡和厚层崩坡积体和复杂断裂构造带,从地质条件上进行了多方案比选.     

生态土壤深度处理技术应用于高速公路附属区生活污水处理

介绍将生态土壤深度处理技术应用于高速公路附属区污水处理的实例--广东渝湛高速公路附属区生活污水生态处理工程.生态土壤深度处理技术应用于高速公路附属区,取得了较好的效果,运行成本低,维护简便,景观协调,处理效果好,可中水回用,中水应用于绿化浇灌和公厕冲洗.     

京港合作向纵深推进

经过十年的合作研讨，香港与北京两地的经济合作逐步进入向深度发展。在刚刚结束等第十一届京港经济合作研讨洽谈会上，双方对未来在服务业、文化创意产业、IT外包以及北京後奥运时代的合作上都进行了深入的探讨，把双赢的合作推向纵深。[编者按]     

争锋——深度测试雪佛兰新景程

中级轿车市场竞争愈演愈烈,和很多大红大紫的车型相比,有些产品尽管并没有在宣传方面投入太多的精力,而车辆本身的性能和性价比并不落伍。我们此次测试的雪佛兰新景程客观地讲在市场的影响力方面,确实没有同级别的一些产品那样大,但是经过一番详细测试之后,其整体的性价比还是相当值得推荐的。     

考虑驾驶风格的智能车自主驾驶决策方法

为了提升智能车类人驾驶水平,提供符合驾乘者驾驶习惯的个性化驾驶服务,改进了DDPG算法并设计智能车驾驶决策系统,学习不同风格的个性化驾驶策略.招募20位驾驶人参加基于仿真平台的模拟驾驶实验,采集驾驶数据.运用相关性检验方法选择个性化驾驶评价指标,使用K-means聚类方法将驾驶风格进行分类.在基础DDPG算法的输出部分加入线性变换过程,形成改进的个性化驾驶决策学习算法,进而构建个性化自主驾驶系统,以3种驾驶风格作为学习目标,调节线性变换参数,在线训练并测试算法.结果表明,提出的方法比基础算法收敛速度提升21.3%.算法在测试场景中,保持了高于驾驶人的横向控制水平,车道偏移量下降73.0%,且驾驶的车辆未与道路外侧护栏发生碰撞.聚类结果显示,算法通过调节线性变换参数,能够有效学习不同的驾驶风格.     

基于改进深度卷积生成对抗网络的路面指示标志识别方法

针对道路交通环境中路面标志识别涉及的数据集较少和识别准确率不足的问题,研究了基于深度卷积生成对抗网络的道路表面指示标志的识别方法.在深度卷积生成对抗网络的结构基础上,根据具体应用修改生成网络和判别网络的损失函数,并用随机梯度下降算法替代原始的优化器,对指示标志的原始样本集进行样本生成,以增加样本数据量.基于Faster R-CNN算法进行路面标志的特征提取,实现路面指示标志的识别,并基于迁移学习对识别模型进行微调,将目标识别效果应用于实际道路环境中.实验结果表明,通过深度卷积生成对抗网络生成的样本图像有效地扩增了路面标志的数据集,增广后的多类目标识别的mAP提高了17.1%,小样本情况下的识别准确率随着样本量的增加和样本质量的改善而得到了明显的提高.     

抗震构造措施在跨断裂带桥梁工程中的应用

在桥梁建设时往往采取避开断裂带的对策,然而,在地震活跃的地区,建造跨越断裂带的桥梁有时是不可避免的,这时就必须要进行专门的抗震设计研究,其中抗震构造措施尤为重要。结合实际工程,就跨断裂带桥梁抗震构造进行探讨,提出的抗震构造措施可为国内类似工程实施提供参考。     

中小跨径钢混组合梁桥设计标准化关键参数研究

基于江苏省公路中小跨径桥梁的特点,以双向六车道30 m跨径的钢混组合结构桥梁为研究背景,对钢混组合板梁桥的设计标准化关键参数进行分析。针对不同关键构造参数与尺寸的桥型建立有限元模型,以横向分布系数、桥面板横向承载力和钢主梁应力作为参数分析对比标准,研究其合理截面与合理构造。数值仿真结果表明:横向分布系数主要受主梁间距与悬臂长度影响,桥面板横向承载力主要受桥面板厚度、主梁间距、主梁高度影响,钢主梁应力主要受主梁间距、主梁高度影响。综合以上参数分析结果,桥面板厚度取0.25 m,主梁间距取3 m,悬臂长度取2.0 m,横梁间距取5 m,主梁高度1.65 m时为最优方案。     

某DCT变速器结合齿断齿问题浅析

就某DCT变速器台架混合耐久试验中出现的齿轮结合齿断齿问题,对其硬化层深度、齿根硬度、裂纹形貌等进行分析,得出焊接深度及焊接方法为结合齿断齿的根本原因。     

基于深度学习网络模型的车辆类型识别方法研究

为了将有效地识别车辆类型用于智慧交通系统,本文在分析Inception V3模型的基础上,提出了一种基于迁移学习理论的车型分类深度学习模型。该模型首先在Inception V3模型的基础上去除最后的全连接层,并加入参数优化层,然后采用Dropout和全局平均池化层。理论分析和试验结果表明,该模型的性能优于基于VGG-16的车型分类模型、基于Xception的车型分类模型和基于Resnet50的车型分类模型,其训练精度优于96.48%、测试精度优于83.86%。