"两制"结合在湖北堤防建设管理中的实践与思考

湖北省在公益性水利工程长江堤防工程建设中,在严格执行项目法人责任制、工程招标投标制、建设监理制和合同管理制的基础上,创造性地提出了项目法人责任制与地方行政首长责任制相结合的建设管理体制(以下简称“两制“结合),收到了显著成效.2002年9月,国家计委、水利部、财政部、监察部等八部委联合检查组检查湖北省长江堤防建设时,给予了充分肯定.……     

荆江大堤杨家湾险段地下水渗流场特征的模拟研究

采用美国地质调查局(USGS)的Visual Modflow软件,通过对荆江大堤监利县杨家湾险段不同水位条件下的模拟和在高水位下(10 m水头差)不同处理模式的模拟(减压井模式、防渗墙模式、压浸模式和改变人工填土渗透系数模式、渊塘模式),结果表明:(1) 人工填土的性质对渗透破坏的影响显著;(2) 减压井有利于降低含水层中的水头,但由于减压井中的混合水位为地表高程,与同点无减压井条件下基本相同,其出流带的减压效果不显著;(3) 由于该剖面防渗墙处岩层的渗透性较小,与防渗墙体的渗透性差异不大,防渗墙的作用不明显;(4) 当存在渊塘或天窗时,渊塘及其周边是发生渗透破坏的重点区域,可以通过减压处理防止渗透破坏。     

荆江大堤典型地段管涌险情与水情要素定量分析

采用1951年至1999年湖北省荆沙市和监利县的资料, 对荆江大堤的管涌等险情与水情要素(年最高水位、设防水位持续天数、警戒水位持续天数)分别进行相关分析. 结果显示: 水情要素与管涌显著相关, 其中最为密切的是警戒水位持续 天数, 其次是设防水位持续天数. 采用多项式对1951年至1985年发生的管涌与年最高水位、设防水位持续天数、警戒水位持续天数分别进行拟合. 荆沙市的警戒水位持续天数达到12d后, 管涌明显增加. 监利县的警戒水位累计达到30d后, 管涌明显增加.     

勇于开拓进取重铸市场新领域——华德塑料制品有限公司为发展轿车工业迈开坚实步伐

中德合资华德塑料有限公司，创建于1985年10月，是上海地区创立的第二家中德合资企业，现有职工245人，主要生产轿车饰件、反射器系列以及其它工程塑料制品。     

围绕新农村建设抓好湖北防汛抗旱工作

社会主义新农村建设的基本内涵对防汛抗旱工作提出了全新的要求,湖北省的防汛抗旱能力在防洪工程现状、农业和农村抗灾组织能力、水生态和水环境、水利非工程措施四个方面与新农村建设的要求不相适应。今后湖北省防汛抗旱工作将围绕新农村建设,努力营造防洪保安、抗旱用水、减灾服务、信息化支撑“四个环境”,全面提高防汛抗旱能力。     

基于改进粒子群优化算法的贝叶斯网络结构学习

贝叶斯网络结构学习是数据挖掘和知识发现领域的重要研究技术之一,在网络结构的搜索空间较大的情况下,传统的二值粒子群优化算法往往存在收敛速度慢,容易陷入局部最优,学习精度较差的缺陷。在传统二值粒子群优化算法基础上,利用互信息限制粒子群算法的初始化,缩小算法的搜索空间,同时构建新的进化模型代替原有的进化公式,使得改进后的算法具有更强的寻优能力。采用ASIA网络作为仿真模型,并与原有算法比较,结果表明,改进算法能够在较少的迭代次数下找到较优的解,并且基本没有增加算法的复杂度。     

小数据集条件下基于数据再利用的BN参数学习

着重研究了小数据集条件下结合凸约束的离散贝叶斯网络(Bayesian network, BN)参数学习问题, 主要任务是用先验知识弥补数据的不足以提高参数学习精度. 已有成果认为数据和先验知识是独立的, 在参数学习算法中仅将二者机械结合. 经过理论研究后, 本文认为数据和先验知识并不独立, 原有算法浪费了这部分有用信息. 本文立足于数据信息分类, 深入挖掘数据和先验知识之间的约束信息来提高参数学习精度, 提出了新的BN 参数学习算法 --凸约束条件下基于数据再利用的贝叶斯估计. 通过仿真实验展示了所提算法在精度和其他性能上的优势, 进一步证明数据和先验知识不独立思想的合理性.     

基于加性协同的离散贝叶斯网络参数学习

针对小数据集条件下离散BN参数学习的问题,为了将加性协同约束融入到BN参数学习过程中,通过借鉴经典保序回归算法的思想,提出四种处理加性协同约束的方法,进而利用经典的草地湿润模型对改进算法进行仿真,并与最大似然估计算法进行对比,仿真结果表明,改进算法在精度上有一定优势,能够很好的对最大似然估计算法进行修正,得到相对准确的参数,然而时效性则劣于最大似然估计算法.进一步将改进算法应用到弹道导弹突防模型的参数学习中,通过推理分析验证算法的有效性.     

小数据集BN建模方法及其在威胁评估中的应用

贝叶斯网络是数据挖掘领域的主要工具之一。在某些特定场合,如重大装备的故障诊断、地质灾害预测及作战决策等,希望用少量数据得到较好的结果。因此,本文针对小数据集条件下的贝叶斯网络学习问题展开研究。首先,建立基于连接概率分布的结构约束模型,提出I-BD-BPSO（Improved-Bayesian Dirichlet-Binary Particle Swarm Optimi-zation）结构学习算法;其次,建立单调性参数约束模型,提出MCE（Monotonicity Constraint Estimation）参数学习算法;最后,应用所提算法构建威胁评估模型并应用变量消元法进行推理计算。实验结果表明,在小数据集条件下,本文的结构学习算法优于经典的二值粒子群优化算法,参数学习算法优于最大似然估计、保序回归及凸优化算法,并能够构建有效的威胁评估模型。     

小数据集条件下贝叶斯网络自适应参数学习方法

针对小数据集条件下贝叶斯网络参数学习问题,约束最大似然(CML)和定性最大后验概率(QMAP)方法是两种约束适用性较好的方法.当样本数量、约束数量、参数位置不同时,上述两种方法互有优劣,进而导致方法上的难以选择.因此,本文提出一种自适应参数学习方法:首先,利用CML和QMAP方法学习得到两组参数;然后,基于拒绝–接受采样和空间最大后验概率思想自定义计算得到样本权重、约束权重、参数位置权重;最后,基于上述参数和权重计算得到新的参数解.实验表明:在任何条件下,本文方法计算得到参数的精度接近甚至优于CML和QMAP方法的最优解.