水利水电施工企业项目管理浅析

阐述了水利水电施工企业项目管理的特点,就本施工企业实行项目管理的实践情况作了介绍,对施工企业如何进行规范化项目管理提出了建议。     

钍归-化在盆地γ能谱资料处理中的应用

在应用γ能谱资料寻找砂岩型铀矿的过程中，要尽可能地消除非矿化因素引起的干扰，提取与铀矿化有关的信息。介绍了钍归-化的原理及特点，采用与矿化有关的元素迁移信息的钍归-化方法，分析了二连盆地东部的γ能谱资料，揭示了该区放射性元素的分布特征、地球化学作用和后期铀元素的迁移与富集。结合其他地质资料，分析了钾剩差的变异区（正、负高值区）及铀剩差正高值区形成的原因，同时指出了经过钍归-化处理所得到的铀剩差正高值区应为氧化与还原作用过渡带的直接指示，也是该区进一步寻找砂岩型铀矿的重要标志。     

初至波走时层析成像中的正则化方法

 波场的等效性、观测数据的有限性和观测误差等因素导致地球物理反演本身具有严重的多解性，降低这种多解性的一种重要途径就是对反演过程进行约束。传统的初至波走时层析成像方法，通常是在外部对模型空间施加显式的约束和平滑处理，这样就会破坏模型参数与传播算子之间的相关性，难以达到有效利用先验信息的目的, 甚至会影响反演的稳定性。针对这一问题，本文将先验信息分为三类，在此基础上阐述了通过正则化手段将各种先验信息纳入到反演方程当中，替代传统的外部约束模式。理论试验结果表明，正则化方法比外部约束方法有效地提高了反演的精度和分辨率；将该正则化方法应用于实际二维资料处理，也得到了比较好的反演结果。     

基于动态模式分解的移动用户信道容量预测算法

在多输入多输出环境下,为了能够连续预测出移动用户的信道容量并以此合理地分配用户资源,提出了一种基于动态模式分解（DMD）的信道容量预测方法及其优化方法：基于经验模态分解的选择性归一化动态模式分解（ESN-DMD）.仿真结果表明,DMD算法只适用于预测低移速低复杂度的用户信号,ESN-DMD算法可以预测不同移速的用户信道容量.     

中频正火焊管的在线矫直

针对焊接油管、套管、锅炉管的焊缝在中频正火热处理时管子弯曲的现象,提出在定径段增设垂直、横向、周向可调的土耳其头机架,对焊管的弯曲实现反弯变形,从而达到在线矫直的目的。     

回归神经网络预测模型归一化方法分析

该文运用几种常见数据归一化方法分别对自回归神经网络动态预测模型的预测性能进行分析,结果说明不同数据归一化处理对模型的性能影响非常明显,运用最大运算法进行归一化处理要优于其它几种常见归一化方法。     

Re-GAN：残差生成式对抗网络算法

目的 生成式对抗网络（generative adversarial network,GAN）是一种无监督生成模型,通过生成模型和判别模型的博弈学习生成图像。GAN的生成模型是逐级直接生成图像,下级网络无法得知上级网络学习的特征,以至于生成的图像多样性不够丰富。另外,随着网络层数的增加,参数变多,反向传播变得困难,出现训练不稳定和梯度消失等问题。针对上述问题,基于残差网络（residual network,ResNet）和组标准化（group normalization,GN）,提出了一种残差生成式对抗网络（residual generative adversarial networks,Re-GAN）。方法 Re-GAN在生成模型中构建深度残差网络模块,通过跳连接的方式融合上级网络学习的特征,增强生成图像的多样性和质量,改善反向传播过程,增强生成式对抗网络的训练稳定性,缓解梯度消失。随后采用组标准化（GN）来适应不同批次的学习,使训练过程更加稳定。结果 在Cifar10、CelebA和LSUN数据集上对算法的性能进行测试。Re-GAN的IS （inception score）均值在批次为64时,比DCGAN （deep convolutional GAN）和WGAN （Wasserstein-GAN）分别提高了5%和30%,在批次为4时,比DCGAN和WGAN分别提高了0.2%和13%,表明无论批次大小,Re-GAN生成图像具有很好的多样性。Re-GAN的FID （Fréchet inception distance）在批次为64时比DCGAN和WGAN分别降低了18%和11%,在批次为4时比DCGAN和WGAN分别降低了4%和10%,表明Re-GAN生成图像的质量更好。同时,Re-GAN缓解了训练过程中出现的训练不稳定和梯度消失等问题。结论 实验结果表明,在图像生成方面,Re-GAN的生成图像质量高、多样性强;在网络训练方面,Re-GAN在不同批次下的训练具有更好的兼容性,使训练过程更加稳定,梯度消失得到缓解。     

Convolutional neural networks recognition algorithm based on PCA

To improve the insufficiency of Synthetic Aperture Radar(SAR) labeled training data for Convolutional Neural Networks(CNN) and the recognition rate for large variations, a novel CNN recognition algorithm is proposed. Firstly, a set of features is extracted from the original data by unsupervised training based on PCA as the initial filter set for CNN. Secondly, in order to accelerate the training speed while avoiding over-fitting, the Rectified Linear Units(ReLU) is adopted as the non-linear function. Thirdly, to strengthen robustness and mitigate the defects of pooling upon features, a probabilistic max-pooling sampling method is introduced and local contrast normalization is exploited on features after the convolutional layer. Experiments demonstrate that our algorithm outperforms the original CNN in recognition rate and achieves better robustness for large variations and complex background.     

基于全量补偿算法的结构损伤识别

频率和振型是反应结构动力特性的主要模态参数,文中对损伤结构的频率和振型进行了研究。通过实测损伤结构的频率和振型,利用矩阵理论修正理论有限元模型,使之与实测损伤结构的频率和振型一致;将修正的理论有限元模型表达成单元刚度矩阵与损伤因子的线性组合,把损伤识别问题转化为组合系数的识别问题。给定损伤因子的合理取值范围,用优化方法求解损伤因子。通过对十跨桁架结构的数值仿真,仅用结构的前5阶频率和振型就能很好的识别结构的损伤,且该方法不需要对实测振型进行归一化处理,具有较强的实用性。