公路沿线交通标志视觉适应性分析

针对公路沿线交通标志牌和户外广告牌是否可以被驾驶员有效识别问题，给出一种公路沿线相关标志牌视觉有效性评估流程方法。模型可以根据相关标志牌的图像，通过图像处理方法获取标志牌的文字信息，并根据文字信息特征以及户外标志牌的设置位置与大小，自动分析所设计的标志牌在相关位置是否可以被相关人员认读，通过相关公路标志牌的检测表明：本文设计的方法可以有效确定相关标志牌的合理性。     

电信行业改革实践及其对铁路网运关系调整的启示

我国电信行业与铁路行业同为国有资本控制的重点行业,且都具有以庞大、成网、固定成本高昂为特点的基础设施,电信业的改革历程可为我国铁路改革提供经验借鉴。本文将我国电信业主要改革历程归结为业务分割、区域分割、业务整合、网运分离四个阶段,指出我国电信业改革属于典型的问题导向路径,借鉴电信行业改革经验可知,在我国铁路网运合一模式下,"业务分割"与"区域分割"两种网运关系调整模式不能有效打破垄断,我国铁路应积极探索"统分结合的网运分离"改革路径。     

船舶动力设备退化基线计算及预测方法

船舶动力设备在自身性能退化过程中的相当长一段时间内仍能完成规定功能,对具有重要特征参数或性能指标的船舶动力设备而言,若使用定基线进行健康状态评估会导致评估值连续较低甚至误报警问题。为了解决这一问题,以目标设备按性能退化时间序列采集的特征参数为研究对象,首先建立退化基线计算方法,利用滑动概率神经网络和性能可靠度与基线值间的转换函数获得目标设备的动态退化基线;然后建立ARMA预测模型获得预测参数,并与退化基线计算方法结合对退化基线发生动态变化的时间节点进行预测;最后利用海水泵对建立的方法可行性进行验证。结果表明,本文建立的退化基线计算方法能够获得动态基线,退化基线预测方法能够对动态基线的变化时间节点进行准确预测。     

基于聚类站点客流公共特征的轨道交通车站精细分类

已有城市轨道交通车站分类多基于定性分析，不能满足精细化设计和运营的需要。本文提出一种基于聚类站点公共特征的站点精细分类方法。首先，将来源于AFC(Automatic Fare Collection)的进站客流量数据处理为时间序列数据，并基于K-Means++算法对各个站点的客流量进行聚类；其次，建立客流量聚类结果与土地利用特征多维参数的拟合方程，计算获得居住密集型、工作就业型以及区域中心型等5种大类站点的客流量公共特征。在此基础上，充分考虑属于同一大类站点不同站点的细分特性，使用5类客流量公共特征比重组合精细描述具体站点类型。 实例结果表明，使用本文提出的精细分类方法计算得到的每个站的客流量拟合值与真实客流值间的平均绝对百分比误差控制在14%以内，说明该分类方法具有可行性。     

多特征融合的级联回归人脸对齐方法研究

深度神经网络技术在人脸识别方面已经取得了巨大进步,但是大多数方法只是运用人脸深度特征而并没有分析哪些特征是有效的.为了探索针对人脸识别任务的有效结构化特征,提出了基于多种特征级联回归方法的人脸关键点检测模型,将两两关键点对应的人脸局部特征对之间的结构关系、整张人脸图像的全局表观和关键点对应的局部热图这3种人脸特征融合之后用于人脸对齐任务.实验证明,多特征级联回归法与记忆下降法相比,人脸对齐任务错误率下降了30.17%,与最新的一些人脸对齐模型具有一定的可比性.     

更正声明

本刊2014年11卷第四期(总第64期)正文第2页,右栏第18行,原文公式(1)是“S=1-D=1-(1-R)d=Rd”,现改为:“S=1-D=1-(1-R)d=1-d+Rd”。正文第2页,右栏第19行,原文是“从公式(1)可以看出,这类系统的安全性完全同系统的可靠性成正比”,现改为:“从公式(1)可以看出,当d确定时,这类系统的安全性与系统的可靠性成正相关关系”。     

盾构隧道壁后注浆中“定时浆”试验研究

我国盾构隧道广泛使用凝结时间较长的单液浆，但由于注入后不能及时凝结常常引发管片上浮、浆液流失等工程问题。针对这些问题提出“定时浆”的概念。通过在单液硬性浆中添加氯化铝溶液与水玻璃，基于浆液的胶结时间、流动度、28 d强度等指标研究了“定时浆”的配方。结果表明： 1）通过先加入氯化铝溶液再加入水玻璃的方法，可以实现浆液“定时”凝结； 2）在硬性浆中掺加0.50%~0.75%的氯化铝溶液、1.00%~1.25%的水玻璃，可以达到良好的定时效果； 3）通过简单的注浆设备改造可以形成“双液单注”的定时注浆工艺。     

汽车制动试验台结构分析及其选用

汽车制动性能的检测通常分为路试检测和台式检测。路试检测能客观地反映车辆制动性能的情况,但由于受场地、环境、时间等因素的影响,存有较大局限性。而室内台式检测具有快速、方便、能测阻滞力以及左、右轮制动力协调时间等优点,广泛应用于汽车维修和性能检测行业。滚筒式制动     

单桩荷载与沉降关系曲线的神经网络预测方法

本文提出了一个预测单桩荷载-沉降关系曲线的BP神经网络模型。该网络模型包含两级网络，第一级网络以桩长、桩径、桩侧土层的分布情况，桩侧与桩端土层的物理力学指标为输入元，来先预测出单桩的极限承载力及其对应的极限沉降；第二级网络以第一级网络的输入元和输出元作为其输入元，进一步预测各分级荷载下桩的沉降。实际预测精度一般能达到15％以内，且稳定性较好，表明神经网络模型略优于通常的经验公式方法和数值方法。