离子侵蚀对再生混凝土多重界面区微观形貌影响

为了研究离子侵蚀对再生混凝土多重界面过渡区的影响,借助SEM和EDS,以Ca元素和Si元素为特征元素进行面扫描,实现了对骨料和砂浆基体的区分,发现了经NaCl溶液和Na2SO4溶液浸泡60 d后的再生混凝土界面过渡区趋于疏松;以S元素和Cl元素为示踪元素,观察到其在界面区的富集,证明了界面过渡区是离子侵蚀的主要通道;浸泡60 d后界面区显微硬度分别下降约70％和20％,界面过渡区宽度分别增加约50％和20％.研究实现了对离子侵蚀后再生混凝土界面过渡区位置和范围的界定,且表现出与显微硬度结果的一致性.     

信息技术课堂引入的艺术

著名特级教师于漪说过,"课的开始,其引入就好比提琴家上弦,歌唱家定调。第一个音定准了,就为演奏或者歌唱奠定了良好的基础。课堂引入的艺术讲求的是第一锤就应敲在学生的心灵上,像磁石一样把学生牢牢地吸引住"。因此,信息技术教师需要深入思考和精心设计信息技术课堂的引入,针对不同的课程内容,采用不同的方式引入新课。游戏引入课题——激发学生学习兴趣现在的学生都喜欢玩游戏,什么游戏都能使他们迷恋。究其原因,从心理学角度讲,学生在玩游戏的过程中容易     

基于个体协同触发强化学习的多机器人行为决策方法* .txt

摘要：为了提高多机器人行为最优决策控制中强化学习的效率和收敛速度，研究了多机器人的分布式马尔科夫建模与控制策略。根据机器人有限感知能力设计了个体 协同感知触发函数，机器人个体从环境观测结果计算个体 协同触发响应概率，定义一次触发过程后开始计算联合策略，减少机器人间通讯量和计算资源。引入双学习率改进Q学习算法，并将该算法应用于机器人行为决策。仿真实验结果表明，当机器人群组数量在20左右时，本文算法的协同效率较高，单位时步比为1085 0。同时距离调节参数η对机器人协同搜索效率有影响，当η=0008时，所需的移动时步比和平均移动距离都能达到最小值。通过双学习率的引入，该算法较基于环境模型的强化学习算法具有更高的学习效率和适用性，平均性能提升35%，对于提高多机器人自主协同能力具有较高的理论意义及应用价值。 .txt     

一种基于深度学习的产品分类统计方法的研究

对于流水线上多类产品不规则混合放置条件下的统计问题,利用基于faster R-CNN和改进的深度卷积网络结合的图像识别方法,实现了对产品的在线分类计数。首先利用faster R-CNN方法获取图像中产品的位置信息,然后用改进的深度卷积网络对图像进行特征提取,将产品区域的位置信息映射到最后一层特征图上,再用ROI池化对产品区域特征进行尺度归一化,把归一化后的产品特征输入softmax分类器识别,从而实现了分类统计。实验结果表明,该方法能够在工业生产中实现多类混线产品在线自动分类统计。     

基于深度学习的人体姿态估计方法综述

基于深度学习的人体姿态估计方法旨在通过构建合适的神经网络，直接从二维的图像特征中回归出人体姿态信息。主要按照2D人体姿态估计到3D人体姿态估计的顺序，并从单人检测与多人检测、稀疏的关节点检测与密集的模型构建等方面，对近年来基于深度学习的人体姿态估计方法进行系统介绍，从而初步了解如何通过深度学习的方法得到人体姿态的各个要素，包括肢体部件的相对朝向和比例尺度、骨骼关节点的位置坐标和连接关系，甚至更为复杂的人体蒙皮模型信息。最后,对当前研究面临的挑战以及未来的热点动向进行概述，清晰地呈现出该领域的发展脉络。     

移动学习支持下的计算机专业英语教学改革

分析移动学习在计算机专业英语教学中的优势,结合自主开发的APP程序介绍教学改革措施,并论述教学实施和评价,最后说明教学改革效果。     

古建筑木结构透榫节点力学模型研究

为研究古建筑木结构透榫节点的M-θ力学模型，在分析透榫节点构造特征与受力机理的基础上，建立其数值模型，用透榫节点的试验数据验证了该数值模型的正确性，并分析了节点缝隙、木材横纹弹性模量和大榫头长度对透榫节点受弯承载力的影响。根据受力分析结果，建立以弹性点、屈服点与极限点为特征点的三折线多参数M-θ力学模型，其结果与多数的试验结果基本吻合，并将该力学模型应用于木构架的受力分析。研究结果表明：透榫节点的滞回耗能能力强，节点的变形主要集中在榫头处。当榫头与卯口之间的缝隙增大时，节点的受弯承载力降低。随木材横纹弹性模量的提高和大榫头长度的增加，节点的受弯承载力有一定提高。文章建立的M-θ力学模型能较好反映透榫节点的受力过程，适用于木构架的受力分析，其荷载 位移骨架曲线与试验结果基本吻合。研究成果可为古建筑木结构的维修与保护提供参考。     

深度学习识别光网络单元故障的设计与应用

为解决依赖装维上门鉴别光网络单元故障带来的不便,可以从机器视觉入手实现自动化故障识别。近年,ImageNet挑战赛的成功推动了物体识别技术的跨越式发展,特别是基于卷积的深度学习技术在视觉识别方面已经达到人类水平,为光网络单元故障的自动识别提供了技术基础。文章对识别光网络单元的工作状态进行了研究,将设备工作状态分为7个场景,提出了利用手机APP采集图片识别故障的解决方案并投入了实际生产;重点阐述了深度学习模块的设计与实现,提出一种通过算法整合的方式综合运用物体检测和图像分类算法,分3阶段逐步求精,解决了图片过滤,光网络单元型号和状态识别等问题,实现了基于计算机视觉自动识别光网络单元故障。从数据上看产品的端到端准确率超过84%,识别速度达到10 FPS,月均提供服务超过1万人次,在减少用户等待的同时节约了人力资源。