子午向几何缺陷冷却塔的结构性能分析

钢筋混凝土双曲线冷却塔由于施工误差、混凝土长期徐变或收缩将产生不同程度的几何缺陷.为了解子午向几何缺陷对双曲线冷却塔结构性能的影响,采用有限元分析软件ANSYS对产生缺陷前、后2种模型进行各种工况下的计算对比,分析该缺陷对结构动力特性、静力特性及稳定性的影响.计算结果表明,子午向的几何缺陷提高了结构的水平抗侧刚度,提高了一阶振动频率,减小了结构在水平荷载下的变形;在风荷载或自重作用下,缺陷部位均发生应力集中现象.荷载组合后的计算结果表明,环向轴力和子午向弯矩增大,而环向弯矩和子午向轴力变化较小;缺陷对温度作用下结构的性能几乎没有影响.按规范进行的稳定分析表明,缺陷极大地降低了塔筒的局部稳定安全系数.但是特征值屈曲分析表明,在塔筒喉部半径缩小后,在水平荷载作用下的屈曲系数有所提高,而在竖向荷载下的屈曲系数有所降低,双曲线形状的改变对塔筒在不同方向荷载下的屈曲具有不同的影响效果.     

基于趋势点状态模型的时间序列预测算法

针对传统的时间序列线性预测算法对时间序列的线性程度要求高,而非线性方法一般建模复杂且计算量大,提出了一种基于趋势点状态模型的时间序列预测算法.该算法无须考虑时间序列是否具有显著线性特征,通过序列间耦合度挖掘时间序列上的相似子序列,找出相对应的相似序列趋势点,建立趋势点状态模型并求出预测值.算法建模简单,复杂度较低.通过模拟实验,结果表明该算法性能良好,尤其对具有周期性的时间序列预测精度很高.     

新型子母车式立体停车设备设计

近年来,随着我国城市汽车保有量急剧增长,城市静态交通问题日益严重,采用机械式立体停车设备停放车辆便成为了解决该问题的必由之路。对此设计出一种应用行走母车实现车辆的存取的机械式立体停车设备。重点介绍了顶层提取装置的横移装置、伸出装置、旋转装置以及升降装置的结构。     

手背静脉图像分割及细化算法研究

手背静脉识别技术通常基于静脉纹路的细节特征点对个人身份进行验证。为了准确地提取出手背静脉纹路中的细节特征点,提取手背静脉图像中的有效区域并对其进行归一化、增强和去噪处理．分别采用局部最大类间方差法（OSTU）、阈值图像法和NiBlack法对图像进行分割,分别采用Hilditch算法、快速细化算法、Zhang＆Suen算法和OPTA算法对分割后得到的二值图像进行细化以获取静脉纹路。实验结果表明,基于合理的参数,NiBlack法和Hilditch算法分别取得较好的分割与细化处理结果。     

变电站谐波测试和分析

对选定回路进行谐波测试,分析变流设备产生谐波的原因,并提出抑制方案.     

特许经营项目BOT模式在玉龙喀什水利枢纽工程的应用与建议

玉龙喀什水利枢纽工程项目总投资78.13亿元,其中中央预算内投资定额补助52.38亿元,占比67.04%。为减少地方政府在项目当期的资金投入,减轻财政压力,玉龙喀什水利枢纽工程采用特许经营的建设模式。该模式利用国有资金占比高的特点,大大减少了地方政府财政投入的资本金,且通过社会资本负责项目融资,转移了项目融资风险。分析了特许经营项目BOT模式在玉龙喀什水利枢纽工程中的应用特点及经验,提出了实际操作建议。     

一种基于深度谱空网络的高光谱图像聚类方法

通常无监督算法在对高光谱数据进行聚类时仅使用光谱信息,忽略了空间信息,使得聚类准确率较低.针对上述问题提出一种基于深度谱空网络和无监督判别极限学习的高光谱图像聚类算法.利用深度谱空网络对高光谱数据进行光谱特征和空间特征的分层交叉学习,通过反复学习获得深度空谱特征,为后续无监督聚类提供方便.在三种高光谱图像上进行实验,结果表明,该算法获得的聚类效果优于其他基于极限学习机的方法和其他无监督方法.     

不平衡时间序列集成分类算法

针对现有集成分类方法对不平衡时间序列数据学习能力欠佳的问题,采用优化组件算法性能和集成策略的思路,以异构集成方法即基于变换的集合的层次投票集合（HIVE-COTE）为基础,提出一种不平衡时间序列集成分类算法IMHIVE-COTE。该算法主要包含两个改进内容：首先,增加了一个新的不平衡分类组件SBST-HESCA,引入Boosting结合重采样的思路,并通过交叉验证预测结果来更新样本权重,从而使数据集的重采样过程更有利于提升少数类样本的分类质量;其次,结合SBST-HESCA组件对HIVE-COTE计算框架进行改进,通过优化组件算法的权重使不平衡时间序列分类算法对分类结果拥有更高的投票比重,从而再次提升集成算法整体的分类质量。实验部分对IMHIVE-COTE的性能进行了验证和分析：和对比方法相比,IMHIVE-COTE有最高的整体分类评价,并且在三个不平衡分类指标值上分别得到了最优、最优、第三优的整体分类评价,可以证明IMHIVE-COTE解决不平衡时间序列分类问题的能力明显较高。     

一种可用于数据和模型分享的模型链

机器学习开始在越来越多的行业中得到应用,但使用机器学习执行任务的软件一直受限于第三方软件商更新模型.文中基于区块链,将训练神经网络消耗的算力和区块链的工作量证明机制相结合,提出并实现了模型链.模型链作为一种可用于分享数据和机器学习模型的区块链,基于骨架网络训练神经网络模型,以全网节点匿名分享的数据作为训练模型的数据集,实现了不依赖第三方更新神经网络模型.模型链使用环签名来保护用户数据隐私,节点训练的模型使用统一的测试集评估,通过评估的模型将作为节点的工作量证明用于投票达成一致共识.文中提出了两种可行的激励机制,即物质奖励和模型奖励.对于潜在的威胁,如账本分析、脏数据攻击和欺骗投票,给出了相应的解决方案.实现了一个用于数字识别的模型链.实验结果表明,模型链中的模型可以适应实际场景下发生的用户变迁和数据变化.     

基础算力的量化测算方法

0引言 2018年底召开的中央经济工作会议对基础设施建设进行了新的定义,5G、人工智能、工业互联网等技术被定义为"新型基础设施建设".随后"加强新一代信息基础设施建设"被列入2019年政府工作报告,2020年1月国务院常务会议和2020年3月中共中央政治局常务委员会会议再次强调新型基础设施的重要性,"新基建"在国家层面的重要性日益凸显.