路基的填料冻胀分类及防冻层设置

我国冻土区铁路路基表层的冻胀病害严重,且没有相应的路基填料冻胀性分类标准。在分析路基的冻胀特性、影响路基冻胀的因素、路基冻害整治中存在的问题的基础上,借鉴国内外地基土的冻胀性分类,并结合铁路路基填料分类的特点、铁路线路冻胀限高和维修标准,提出铁路路基填料冻胀性分类方案,并建议在冻土区设置路基防冻层。路基填料冻胀性分类方案以各类土的细粒含量、冻前含水量和冻胀高度为指标,进行冻胀敏感性和冻胀等级两级分类。路基防冻层应用细粒含量<5%的砂类和细粒含量<15%的砾类、碎石类不冻胀土填筑,防冻层的厚度根据路基的标准冻深。列车的运行速度和载重量确定。     

快速公交客运走廊规划研究

在总结城市快速公交(Bus Rapid Transit,BRT)客运走廊发展现状的基础上,归纳了BRT客运走廊的判定方法,分析了BRT客运走廊的影响范围,并从城市发展、城市道路功能分类两方面对BRT客运走廊规划中的影响因素进行了深入分析,以期为我国BRT客运走廊系统的规划提供参考.分析表明,BRT客运走廊规划中需要更加注重与沿线周边土地开发的关系,理清各种公交专用道类型对BRT客运走廊规划的影响,同时还应加强走廊内部各种交通方式与BRT系统的有机衔接,只有对走廊内所有的交通要素进行系统规划,才能发挥其最佳效果.     

汽车芯片分类及技术研究

本文围绕汽车芯片的应用场景、技术现状进行了分类研究,形成了九类芯片的分类方案,支撑我国汽车芯片标准体系的构建;根据不同类型芯片的具体应用场景研究其主要技术要求和指标要求;同时根据产业趋势,提出了下一阶段汽车芯片短、中、长期主要技术要求和指标发展的预测。     

一种基于支持向量机的增量学习算法

具有增量学习功能的数据分类技术与普通的数据处理技术相比较,增量学习分类技术具有明显的优越性?在新的训练过程中充分利用了历史的训练结果,从而显著减少了后继训练的时间。介绍了支持向量机的基本理论和一般的支持向量机增量学习算法,针对有些渐变问题(如机械设备的早期故障期和损耗期),新样本所提供的信息量与历史样本所提供的信息量是不同的,给出一种新息加权的支持向量机的增量学习算法,通过循环来获得最优分类面仿真实验表明,采用加权的增量算法更能反映新样本点的特征?     

PPP的定义和分类研究

PPP(公私合伙制)在我国的发展尚处于起步阶段,各种相关术语的使用存在一定程度的混淆。对PPP的定义和分类进行了有益探讨,对于制定PPP相关政策法规、在PPP合同中使用标准化术语具有一定参考作用;结合中国实际和行业特点,探索研究了两种切合中国轨道交通项目的PPP模式——前补偿模式和后补偿模式。     

基于交通影响条件下的高速公路紧急事件分类

通过对现有高速公路交通紧急事件分类方法的分析,结合交通紧急事件对高速公路交通流的影响,综合考虑交通紧急事件发生的时间、空间特点,提出基于交通影响条件下的高速公路交通紧急事件分类方法,该分类方法有助于交通管理人员就交通意外事件对道路交通流的影响进行定性分析,进而在此基础上做进一步的定量分析,为高速公路交通事件应急管理提供业务基础和理论指导.     

数控系统宏程序会话编程设计与实现

本文按零件的工艺特性划分数控车削,铣削和线切割加工零件的类别,并设计宏程序零件库。通过对用户宏程序的划分,对适于宏程序编程的典型零件的图形、参数及工艺文件进行详细描述。采用会话编程的方式,生成数控加工零件的宏程序。这种将数控系统宏程序与会话编程相结合的方式,不仅降低了某些零件数控编程的难度,扩展了数控系统的编程功能,同时数控系统的编程能力也得到很大的提升。     

公路隧道工程岩体分类的应用研究探讨

公路隧道的设计和施工经常会遇到工程围岩岩体的正确分类直接关系到洞室开掘后怎样选择最安全、最经济的合理支护方案的问题,运用Bieniawski的地质力学分类RMR理论来解决这一问题有着十分科学又简便可行的优势。通过对杭千高速公路南峰双连拱隧道的勘探资料分析和计算,确定的三种不同围岩的支护参数在工程实践中得到了验证。这对于比较快捷、准确地完成公路隧道设计和施工从某种意义上来讲,有着非常积极的意义。     

军车综合评价中指标的一致化模型研究

根据军车的特点,提出了综合评价指标的分类方法,探讨了各类指标的一致化模型。军车定量指标包括判断型指标、极大型指标、极小型指标和适度型指标。在构建一致化模型时,特别应注意不同类别指标模型在评分值上的相互统一。     

城市快速路交通事故持续时间预测

有效的交通事件管理系统需要对交通事故持续时间进行准确的预测。基于北京市122事故报警系统的65000组数据,分别运用多元回归和分类回归树的方法对北京市快速路上的交通事故持续时间进行了建模,并运用另外的8000组数据对预测模型的精度进行了检验,回归模型的误差平均值为30．7463％,分类回归树的误差平均值为29．5197％,误差分析结果表明,多元回归模型和分类回归树模型的结果都比较令人满意;分类回归树并不能显著的提高模型预测的精度。