基于地形加权的降水空间插值方法研究

降水的时空分布存在高度不均匀性,而高精度的观测信息往往依靠有限的地面站点观测,所以获得高分辨率的观测降水信息需要进行空间插值.降水的空间分布受到地形的影响,尤其是地形雨的分布在迎风坡与背风坡差距很大,现有的插值方法很少考虑到该类地形的影响,导致降水插值误差很大.考虑坡向与流域边界对地形的影响,加入2个权重修正指数,改进...     

复合绝缘子压接接头模拟极端气温力学试验分析

随着全球极端气候的频发,研究复合绝缘子金具与芯棒压接部位是否适应极端气温的变化,具有重要的工程价值。本文采用液氮冷却模拟极寒气温,热水加热模拟极热气温的方法对复合绝缘子压接接头模拟极端气温力学试验分析,验证了其安全裕度。     

碎石基坑法的人造井点联合降水技术应用分析

基坑施工过程中的地下渗水严重威胁基坑安全和施工进度,根据工程实际情况选择合理的基坑降水方案至关重要。以西藏珠拉营地施工工程为背景,介绍了一种碎石基坑法的人造井点联合降水技术,该排水系统包括基坑、碎石、钢管、垫层、防水卷材、自排水,经过开挖基坑、埋入钢管、填入碎石、抽水降排、基坑换填、埋管自排等一系列工序完成井点降水过程。实践表明,该系统造价低,施工周期短,可有效保证基坑稳定,具有良好的技术和经济效果。     

基于XGBoost的Ebay网上拍卖最终成交价格预测

对成交价格进行预测,旨在获得Ebay拍卖品的价格动态,使买卖双方更好地进行交易.将价格区间进行多分类划分和多次最优参数选择,建立极端梯度提升(XGBoost,eXtreme Gradient Boosting)模型,并与最优逻辑斯蒂回归模型比较,使用平均准确率作为模型的评估指标.经比较发现XGBoost模型达到90.5...     

生物启发的人群突发局部聚集感知神经网络

公共场所中的人群突发局部聚集常是异常事件发生的先兆,由于其随机性强,前兆特征不明显,现有的传统计算机视觉技术较难对其有效检测。基于蝗虫视觉系统的神经结构特性与小叶巨型运动检测器（lobula giant movement detector,LGMD）危险感知机理,提出一种人群突发局部聚集行为检测的LGMD改进型神经网络模型。该模型感知人群活动在视野域中引发的视觉信号,基于哺乳动物视网膜视觉信号处理机制整合视觉运动线索,借助LGMD神经元危险感知机理构建尖峰阈值机制调谐神经网络输出,以感知人群活动中的突发聚集行为。不同场景下的人群活动视频实验结果表明,提出的神经网络能有效检测视野域中人群突发局部聚集行为并对其预警。该文涉及生物视神经机理启发的人群活动动态视觉信息加工处理,可为智能视频监控中的人群活动检测与行为分析提供新思想、新方法。     

剧情演绎式的展馆设计与表达——大包干纪念馆设计回顾与思考

通过将叙事性的表达方式运用到大包干纪念馆设计中,以讲故事的方式将展品置于特定的建筑空间内,根据故事的剧情需要进行主题演绎,达到建筑设计与展示设计以及参观者情感体验的完美融合,使纪念馆建筑成为搭建历史文明与现代文明的传播桥梁.     

沙漠地质地区油气站基础施工技术

针对沙漠地质基础施工中地下水位高和粉砂土力学性质差等问题,本文以若羌至民丰高速公路服务区油气站建设为例,通过采用管井降水法、戈壁料换填法和对换填基础采用一次击入注浆法进行加固等成套技术,确保了油气站基础满足强度和抵抗变形的要求,达到了预期效果。     

基于事件的设计与控制技术及其在机器人系统中的应用

基于事件的设计与控制技术已经引起人们的广泛关注,其基本思想就是引入与系统输出相关的运动参考变量(action reference),在任意时刻使系统给定量的输入以及系统的设计都转化为这个参考变量的函数,使系统的设计部分与控制器一样成为系统的决策部件,从而使系统具备处理突发性、不确定性事件的能力,可以根据系统的实际输出来实时、自动地调整系统的输入,实现对系统的实时控制．机器人系统是一个智能控制系统．机器人间的协调协作是其智能性的主要表现．本文首先对基于事件的控制理论及其发展做了回顾,然后介绍了基于事件的控制技术在机器人队形保持、机器制造、多机器人协作等系统智能控制中的应用,实验证明该方法可以取得很好的智能控制效果,提高系统的控制性能．最后探讨了这一研究领域的发展方向．     

职工心理障碍分析、判定及其对策

通过分析职工心理障碍产生的原因,介绍了人体生物节律法、生活事件积分法,使企业安全管理人员能够预测和控制事故的发生,并有针对性地提出了解决心理障碍的途径与对策。     

基于极端梯度提升和时间卷积网络的短期电力负荷预测

电力负荷预测是实现电力系统智能化的基础。准确的负荷预测可以保证电力系统安全稳定地运行。针对短期负荷波动大,随机性强的特点,提出一种基于极端梯度提升和时间卷积网络的短期电力负荷预测方法。首先,利用变分模态分解(variational mode decomposition, VMD)对负荷序列进行平稳化预处理,将原始负荷拆分成若干个模态分量负荷。同时,为了减少预测模型训练所需的时间,利用样本熵来评估各分量的复杂度,将复杂性相近的负荷分量归为一类用于训练同一模型。最后,结合极端梯度提升和时间卷积网络的优点,利用极端梯度提升模型来预测趋势负荷,时间卷积网络模型来预测随机扰动负荷,并在模型训练过程中,利用树状Parzen估计来调节模型的超参数,得到最优的预测模型。为验证本文所提方法的有效性,在EUNITE竞赛数据集上进行了仿真实验,分别预测未来24 h的短期负荷和每日峰值负荷。实验结果表明,相比于支持向量回归(support vector regression,SVR),长短时记忆(longshort-term memory, LSTM),门控循环单元(gated recurrent unit,...