基于系统动力学的环境承载力仿真与调控

环境承载力是区域环境系统结构与区域社会经济活动适宦程度的一种表示。环境承载研究很重要。为使陕西省经济发展与环境保护相协调,优化陕西省环境承载能力,采用定性和定量相结合的方法,通过建立系统动力学模型,仿真陕西省中长期（2007—2020年）不同发展策略下各指标数值,并采用综合评价方法计算不同策略下环境承载力的值,最终得出承载状态（超载、满载、可载）。仿真结果表明基于系统动力学的环境承载力模型能够动态仿真现实的环境承载力;研究结果可为陕西省发展规划的制定提供一定的理论依据。     

整体思维的可持续设计——海南生态智慧新城数字市政厅设计

<正>1缘起：整体思维的持续思考海南生态智慧新城数字市政厅项目(下文简称：海南生态项目)位于海南省澄迈县海南生态软件园区,是清华大学建筑设计研究院素朴建筑工作室第3个砖类建筑(实为陶板建筑,归属于砌块类),也是工作室一直坚持的可持续设计研究的系列建筑实践之一(图1)。设计延续了我们一以贯之的逻辑,即整体思维是可持续设计的根本—必须基于整体思维解读可持续设计,通盘考虑可持续设计的环境-经济-社会关注,因为可持续发展兼顾环境保护、社会发展和经济发展。     

金长城界壕防御工程中壕的渊源和作用

金长城军事防御体系包含三个方面:长城界壕防御工程、军事聚落防御工程和信息传递工程,三者密不可分.金长城是一道漫长的万里防线,较前朝长城体系更为完备,规划布局更为严密,建筑形制更显园地制宜.其界壕布局是专为戍边骑兵设计的特殊形制,虽非金长城之首创,但在其建造和使用过程赋予了新的意义和内涵.     

以朱淑真庭院为例看宋代民居庭院的景观构成

庭院景观的发展始终依托于房屋建筑的发展而发展,至今保留下来的宋代建筑多是宫室建筑和宗庙,宋代的民居院落未能很好地保留。因此,若想要了解关于朱淑真庭院在宋时的概貌,除了从古籍中寻找答案,另一条路径就是以宋代绘画和遗留文物作为参照对象。文章通过分析朱淑真的诗词,了解传统宋代江南庭院,同时也借助古代的庭院营造方法,寻求对当代庭院的设计影响。     

高校学生户口管理系统开发及应用

本文介绍的“学生集体户口管理系统”,针对学生户口工作的具体要求,完成信息录入、查询、打印等多项功能。我们尝试用Microsoft Visual Foxpro6.0 关系型数据库作为开发平台,使用最新的面向对象开发方法进行开发,并在实际应用过程中逐步修改、完善,现已投入正常使用,较大程度地提高了工作效率。     

智能问诊中基于深度神经网络的反问生成方法

在智能问诊中,为了让医生快速提出合理的反问以提高医患对话效率,提出了基于深度神经网络的反问生成方法。首先获取大量医患对话文本并进行标注;然后使用文本循环神经网络（TextRNN）、文本卷积神经网络（TextCNN）二种分类模型分别对医生的陈述进行分类;再利用双向文本循环神经网络（TextRNN-B）、双向变形编码器（BERT）分类模型进行问题触发;设计六种不同的问答选取方式来模拟医疗咨询领域情景,采用开源神经机器翻译（OpenNMT）模型进行反问生成;最后对已生成的反问进行综合评估。实验结果表明,使用TextRNN进行分类优于TextCNN,利用BERT模型进行问题触发优于TextRNN-B,采用OpenNMT模型在Window-top方式下实现反问生成时,使用双语评估替补（BLEU）和困惑度（PPL）指标进行评价的结果最好。所提方法验证了深度神经网络技术在反问生成中的有效性,可以有效解决智能问诊中医生反问生成的问题。     

河北省太行山区关隘型村落特征探析——以明清时期保定市龙泉关村为例

关隘型村落的形成受自然环境和人为环境影响,根据河北省太行山区关隘型村落的形成过程对其进行深入研究,探析关隘型村落在环境变迁,历史人文和选址规划中兼具村落、关隘、堡寨特征的特殊性。同时以明清时期保定市龙泉关村为例,对其特征进行详细的分析说明。     

全国"建筑学名师讲堂"在天津大学开班

由国家教育部、国家自然科学基金委员会共同主办、天津大学承办的"2008年全国研究生暑期学校(建筑学名师讲堂)"7月13日至31日在天津大学首次举办.来自清华大学、同济大学、东南大学、天津大学、华南理工大学、重庆大学、哈尔滨工业大学、西安建筑科技大学、四川大学等全国40余所高校建筑专业的在校优秀研究生、博士生及青年骨干教师等共计150余人经所在院校推荐参加了此次活动;活动时间为期三周,经过课程考核成绩合格者将颁发由教育部学位管理与研究生教育司统一印制的全国研究生暑期学校结业证书,并可在所在研究生培养院校获取2～4学分.     

基于K近邻的支持向量机分类方法

针对支持向量机对噪声和孤立点非常敏感,以及对大规模且交错严重的训练集支持向量个数多,分类速度慢和精度低等问题,基于KNN方法提出KNN-SVM分类器.首先在特征空间中,根据每个样本K个近邻中同类别样本数目的多少来删减样本集,然后对新样本集进行SVM训练;又证明了当取高斯核函数或指数核函数时,上述删减方法可简化为在原空间中进行.该方法减少了由噪声和孤立点以及一些对分类面贡献不大的样本所带给训练器的负担,减少了支持向量的个数,从而与SVM相比,加快了训练和测试速度,提高了分类精度.仿真实验表明KNN-SVM具有上述优势,而且比NN-SVM更能合理地删减样本集,达到更高的分类精度.