经济探底回升确立 卡车后市看高一线——2009年上半年卡车市场深度分析及后市展望

2009年上半年,在中国经济逐步回暖和《汽车产业调整和振兴规划》细则正式出台等因素的刺激带动下,汽车行业产销无论是环比还是同比均出现了较大增长。不过,由于《规划》中的利好政策主要针对乘用车,故商用车市场明显要弱于乘用车。据中国汽车工业协会统计数据显示,2009年上半年全国总计销售汽车609．88万辆,同比增长17．69％。     

高速公路路基强夯施工参数研究

以保定一阜平高速公路填石路堤为研究对象,建立有限元模型模拟路基及夯击功能,并结合现场试验,分析强夯法在处理填石路堤时的有效加固范围,从而可确定夯击次数、单层填筑厚度、夯点布置等施工参数。     

拟静力应变法判别高真空击密的有效加固深度

在现有强夯法有效加固深度研究的基础上,提出了用附加应力引起的应变作为广义强夯法有效加固深度的判别依据。并将其应用于吕四电厂高真空击密法（井点强降水＋强夯）加固饱和地基的工程实践中。结果表明,文中的拟静力法计算结果很接近于实测的有效加固深度,表明等效拟静力法的应变判别是合理的,且计算简单,结果可靠。     

基于神经网络的实时事故预测方法研究进展

道路交通事故预测作为道路主动安全管理的重要组成部分,在降低事故发生概率、帮助管理者制定安全决策等方面起着重要作用。随着数据需求的不断增加,传统方法已无法满足大数据的需求,机器学习和人工智能算法在动态、实时和复杂情况下的道路交通事故预测领域显示出强大的潜力。文章从数据获取和特征变量选择开始介绍,详细叙述了基于机器学习的神经网络及与深度学习结合后该方法在国内外的相关研究,分析了使用神经网络相关方法在建模时会面临的优缺点,最后对基于神经网络的交通实时事故预测方法进行了总结及展望,给出未来的发展趋势。     

客运专线桩基混凝土施工常见问题及解决方法

针对客运专线桩基混凝土施工中要求流动性大、保水性好及设计使用年限长等特殊要求,模拟施工实际情况,通过实验分析比较了浆体体积、聚羧酸盐高效外加剂和粉煤灰等活性矿物掺合料对混凝土工作性能的影响,结合高性能混凝土配合比设计及过程控制的实践经验,提出通过动态控制原材料品质、合理确定浆体体积和控制灌注过程埋管深度,解决客运专线桩基混凝土施工中存在的浮浆厚度过大等常见质量问题。     

采用DFS策略的进路搜索算法研究

给出并描述计算机联锁软件中站场型数据结构的形式.介绍采用深度优先搜索策略进行进路搜索的算法并给出该算法所涉及的对象,同时详细阐述对进路搜索过程以及需要完成的任务.采用这种数据结构及算法有利于联锁程序的标准化和模块化,有利于提高系统的可靠性和安全性.     

对我省高速公路建设中几个问题的认识

分析了我省高速公路建设中存在的公路红线、清淤深度和基底应力确定、公路排水、路基压实、路基与面底基层施工衔接、工期确定、路基防护等问题,并提出了相应的处理措施。     

基于形态检测与深度学习的高空视频车辆识别

为了准确提取广域场景道路交通信息,本文融合形态检测与深度卷积网络,提出了无人机视频车辆定位及车型识别方法. 首先,基于形态检测建立候选目标提取算法,并构建了含244 520 个无人机视频车辆样本的深度学习图像基准库;然后,通过增加卷积层、池化层及调整网络参数等方法对AlexNet 进行重构,提出了改进模型AlexNet*;最后,建立了基于候选目标提取算法与AlexNet*的车辆识别方法. 验证分析显示：AlexNet*的图像分类F1 均值达 85.51% ,优于AlexNet(82.54% )、LeNet(63.88% )、CaffeNet(46.64% )、VGG16(16.67% ) 及 GoogLeNet(14.38%);本文车辆识别方法对小汽车及公交车的正检率、重检率和漏检率均值分别达94.63%、6.87%、4.40%,可有效识别无人机视频目标.     

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。     

基于改进型D3QN深度强化学习的铁路智能选线方法

传统的人工选线方法劳动强度大,设计效率低,随着我国铁路建设重心向西部复杂艰险山区转移,人工选线面临的困难日趋凸显。为缩减铁路选线的人力物力成本,提高设计效率,亟需发展结合了人工智能和信息技术的现代选线技术。为此,提出一种基于深度强化学习理论的铁路智能选线方法。以带有空间属性信息的数字高程模型为选线环境,以相邻空间点间的建造费用为即时奖励,以工程建造费用最小为优化目标,设置离散化的备选动作,考虑多种约束条件,构建面向铁路选线的深度强化学习模型。结合深度学习的感知能力和强化学习的决策能力,利用双竞争深度Q学习网络(DuelingDouble-Deep Q Network,D3QN)对模型进行训练,既克服强化学习问题对复杂状态和动作空间难以收敛的缺点,同时解决了传统DQN算法易于出现过估计、训练不稳定的问题,实现自动对选线环境进行感知、搜索、判断、决策,最终寻得目标函数最优的线路方案。以某山区铁路对本方法进行验证,实验结果表明：该方法能搜索到多样化的线路备选方案,可以为设计人员提供新的设计思路;有效降低了铁路建设的经济费用,较人工选线方案节约最多达17.5%。智能选线方法可以帮助节省选线工作...