基于BIM的多尺度建筑消防信息检索方法研究

提出一种面向BIM 数据的多尺度建筑消防信息检索方法。首先利用知识图谱技术构建一个全面、可查询的建筑消防语义图谱,提高数据的可理解性;然后通过自然语言处理技术,对查询语句进行分词和语义消歧,实体识别和句法分析,识别查询意图,构建查询的逻辑表达式;最终映射到不同尺度对应的查询模板,实现多尺度信息检索。实验结果表明,所提多尺度方法在多尺度信息检索上可实现0.929 的查准率和0.795 的查全率,在单尺度信息检索（设备检索）上较现有基于关键词的方法提升0.293 准确率和0.240 的查全率,推动了新型消防管理系统检索能力的优化和升级。     

高层建筑火灾情况下人员疏散研究

以某高层办公楼为例开展高层建筑火灾情况下人员疏散研究。分别利用PyroSim和Pathfinder仿真软件建立该办公楼的火灾模型和疏散模型,通过对不同区域烟气层高度、烟气温度、能见度以及CO浓度进行分析,得出不同区域人员可用安全疏散时间ASET,并采用Pathfinder对有无人员引导作用以及有无电梯参与疏散进行对比研究,得出在火灾情况下人员引导作用以及电梯的使用可以大幅减少人员必须安全疏散时间RSET,提高了疏散效率。针对火灾易波及区域的特殊情况,采用PyroSim和Pathfinder联合仿真,对疏散过程做进一步优化,使仿真结果更加接近于真实情况。     

综合GAN与CNN的应急疏散快速风险评估方法

针对大型公共场馆疏散风险评估问题,提出一种综合生成对抗网络（GAN）与卷积神经网络（CNN）的应急疏散深度学习评估模型,通过WGAN（Wasserstein GAN）进行数据增强,解决疏散数据不足的问题,并基于CNN,分别采用LeNet以及ResNet两种网络结构进行数据训练。以某大型体育馆为例,应用该方法进行疏散风险评估。研究结果表明,该方法能够建立有效的风险评估模型,实现应急疏散的快速风险评估。     

开关磁阻电机转速调节器参数模糊自整定的研究

开关磁阻电机(SRM)具有较强的非线性,很难建立其准确的数学模型,在传统PID调速控制中难以获得整个调速范围内Kp、KI、KD 3个参数的最优组合。而固定参数的传统PID调节器,不利于系统调速的精准性与抗干扰性。通过分析传统PID调节器3个参数的控制特点,主要针对起动、调速、负载扰动等若干状态下,建立适当的、通用的模糊控制规则,将模糊控制和PID控制相结合,构成SRM的模糊PID转速调节器,实现Kp、KI、KD 3个控制参数的自适应调节,从而获得在整个调速范围内不同负载下较好的调速特性。仿真试验表明,所提出方法避免了固定参数转速调节器的比例积分环节导致的低速、轻载工况下的转速超调与振荡,克服了单纯模糊控制所导致的调速误差。     

水稻组织特异性蛋白质相互作用网络构建方法

组织特异的基因表达和蛋白质相互作用是研究基因调控、蛋白质功能、细胞过程的重要部分.相较于其他模式生物在蛋白质相互作用研究方面的进展,高等模式植物水稻中组织特异性蛋白质相互作用的研究十分缺乏.因此,提出了一种用于水稻组织特异性蛋白质相互作用网络构建的计算方法.该方法主要包含三部分:第一,在统一标准下融合多数据识别组织特异的基因;第二,提出了新的同源映射方法,并集成6种模式生物相互作用数据构建和评估目标物种蛋白质相互作用网络;第三,构建不同组织的蛋白质相互作用子网,并筛选高可靠的蛋白质相互作用.为了验证方法的有效性,构建并分析了水稻首个组织特异的蛋白质相互作用网络(PTSN4R:Predicted Tissue-Specific Network for Rice). PTSN4R包含了水稻23个组织的组织特异基因及对应的组织特异蛋白质相互作用子网,为分析组织特异的基因表达和蛋白质相互作用提供了便利条件. PTSN4R有助于理解水稻的生长调控机制,为水稻增产提供线索.同时,提出的方法能够方便的应用到其他物种,促进组织特异的蛋白质相互作用网络的研究.     

基于图结构的级联注意力视觉问答模型

视觉问答是一个具有挑战性的问题,需要结合计算机视觉和自然语言处理的概念。大多数现有的方法使用双流方式,先分别计算图像和问题特征,然后再采取不同的技术和策略进行融合。目前,尚缺乏能够直接捕获问题语义和图像空间关系的更高层次的表示方法。提出一种基于图结构的级联注意力学习模型,该模型结合了图学习模块（学习输入图像问题的特定图表示）、图卷积层和级联注意力层,目的是捕捉不同候选框区域图像的空间信息,以及其与问题之间的更高层次的关系。在大规模数据集VQA v2.0上进行了实验,结果表明,跟主流算法相比较,是/否、计数和其他类型问题的回答准确率均有明显提升,总体准确率达到了68.34%,从而验证了提出模型的有效性。     

基于条件Wassertein生成对抗网络的图像生成

生成对抗网络（GAN）能够自动生成目标图像,对相似地块的建筑物排布生成具有重要意义。而目前训练模型的过程中存在生成图像精度不高、模式崩溃、模型训练效率太低的问题。针对这些问题,提出了一种面向图像生成的条件Wassertein生成对抗网络（C-WGAN）模型。首先,该模型需要识别真实样本和目标样本之间特征对应关系,然后,根据所识别出的特征对应关系进行目标样本的生成。模型采用Wassertein距离来度量两个图像特征之间分布的距离,稳定GAN训练环境,规避模型训练过程中的模式崩溃,从而提升生成图像的精度和训练效率。实验结果表明,与原始条件生成对抗网络（CGAN）和pix2pix模型相比,所提模型的峰值信噪比（PSNR）分别最大提升了6.82%和2.19%;在训练轮数相同的情况下,该模型更快达到收敛状态。由此可见,所提模型不仅能够有效地提升图像生成的精度,而且能够提高网络的收敛速度。     

交通标志识别方法综述

交通标志识别对于车辆安全行驶具有重要作用，特别是针对存在光照变化和遮挡的情况，准确性高、实时性好的交通标志自动识别亟需解决。对交通标志的检测和交通标志的识别分别进行了综述，给出了它们的原理、步骤、特点和性能，以及进行算法研究常用的交通标志数据库。相比于传统的特征检测和识别方法，采用深度学习有助于解决光照变化、部分遮挡等情况下的交通标志识别难题，是今后自动驾驶和无人驾驶性能提升的主要途径。