奥迪R8 V10 Spyder

测试地点：英国·Gwynedd敞篷版起跑往往是破坏动力学设计的罪魁祸首,那么对于R8 V10 Spyder来说,能否逃出桎梏呢？R8 Spyder中央控制台的末端有一个小按键,位于MMI控制按键和7挡双离合变速器挡把的后部,在驻车健和顶篷升降的开关旁边,这是一个看起来很不起眼的配置,但它决定了驾驶者能否享受到来自V10发动机的震撼声效。随着食指给到这个按键一点点压力,     

多跨连拱跨海景观桥关键技术研究

多跨连拱景观桥景观优美、造价不高、施工技术成熟。对多跨连拱桥的总体布置、计算、施工、耐久性进行了分析和设计。主拱上方会与腹拱形成一个三角框架体系,由此产生的温度力十分大,正常的配筋根本无法满足要求。故需将腹拱与主拱断开,腹拱采用简支方式支撑在主拱上。跨海桥梁设计中,耐久性设计是一个关键点,需采取增大保护层、控制裂缝、表面涂装及添加阻锈剂等综合措施。     

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。     

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。     

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>~~     

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。     

城市公交GPS轨迹路线图制作研究

以哈尔滨市104路公交为主要研究对象,详细介绍城市公交的GPS轨迹路线图制作时所需的软硬件,以及数据的采集方法,叙述数据的整合与分类过程。通过将主要公交站点周围兴趣点信息增添到轨迹点附近,构成包含有站点轨迹信息、站点影像信息的沿途轨迹信息。经过整合与分类,通过HOLUX ezTour软件对数据进行处理,阐述轨迹查询、地标的新增与删改和轨迹的添加与变换等功能。并使用Google Earth三维图像对轨迹路线全面整合,最终制作成城市公交GPS轨迹路线图。     

基于动视觉特性的高速公路景观敏感区划分

分析了驾驶人动视觉特性,研究了驾驶人的水平视野角度、前景视图、注意力集中点与最深视野随着车速的变化规律,构建了基于驾驶人动视觉特性的高速公路景观敏感区模型,并推导了景观敏感区函数。运用景观敏感区模型计算了双向四车道高速公路在不同限速条件下的景观敏感区尺度,运用景观敏感区函数获得分级结果,并阐述了不同景观敏感区的属性与景观要素设计要点。通过对比试验,研究了边坡宽度与一级景观敏感区尺度之间的关系。研究结果表明:双向四车道高速公路景观敏感区尺度为545m,一~三级敏感区尺度分别为55、260、230m,其中一级景观敏感区属于最敏感区域;进行边坡景观设计时可通过修正坡度的方法改变边坡宽度占高速公路景观敏感区的比重,坡度越缓,景观敏感性越高。     

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。