小窑破坏区域巷道掘进超前探测技术研究

为了提高超前探测的准确性,确保在小窑破坏区巷道掘进的安全,采用"物探现行,钻探验证"的物探和钻探相结合的综合超前探测技术,通过在红会一矿运用矿井震波超前探测技术(MSP)与长短钻验证相结合的方法探测小窑破坏区,本年度1701工作面少掘钻场7个,少打探孔49个,减少探孔进尺4 165 m,取得了良好的社会经济效益。     

采高对采动卸压瓦斯富集区影响的试验研究

为研究采动覆岩中卸压瓦斯富集区的影响规律,以采动裂隙椭抛带理论为基础,建立采高影响下采动卸压瓦斯富集区的模型,运用物理相似模拟试验方法,以山西某高瓦斯矿井主采工作面为原型,揭示综采工作面采动卸压瓦斯富集区的采高控制机理。研究结果表明:随着采高的增大,三带高度也逐渐增大,采高与采动覆岩裂隙的三带高度呈现线性关系,采高与三带高度的拟合曲线斜率处于2～4范围之间。而随着工作面推进,上覆岩层逐渐形成了压实区和裂隙区,压实区随着采高的增大而变小,裂隙区随着采高的增大而变大。通过对不同采高的各岩层的离层量拟合关系分析,发现不同采高开挖后形成的裂隙形态呈现对称的椭抛面,最后通过拟合关系建立了采高影响下的二维采动卸压瓦斯富集区的模型,为采动覆岩卸压瓦斯富集区的识别提供一定的理论基础。     

甘肃省较大级别食物中毒事件分析

目的:分析2004—2011年甘肃省较大级别食物中毒事件特征,为减少较大级别食物中毒事件的发生提供科学依据。方法:对甘肃省2004—2011年所报告的较大级别食物中毒事件进行描述性流行病学分析。结果:2004—2011年共报告较大级别食物中毒事件32起,中毒人数672人,死亡52人,病死率为7.74%。报告事件高峰在6—10月,其中8月份报告最多;中毒场所以家庭最多,占总起数的75.00%;中毒原因以化学性食物中毒为主,占总起数的27.68%,且化学性食物中毒死亡人数也最多,占总死亡人数的65.38%。结论:化学类和有毒植物类食物中毒是甘肃省较大级别食物中毒发生和死亡的主要原因。     

柴油机电控单元Bootloader的开发与实现

在Freescale hc12xdp512平台的四缸机电控单元上开发了基于CAN总线的编程工具Bootloader,具有下载和升级ECU应用程序代码和数据的功能,也可以实现标定数据的再编程,通过对Bootloader工作时CAN总线的监测,对Bootloader下载/编程性能和可靠性进行分析,结果表明能够满足开发和生产的需要。     

从设计到服务

在1998年以前．索贝的业务是以单机产品的研发、销售和服务为主，从1998开始逐步开始了以非编网络为代表的系统集成，转换成为集成商：2002起着手为大型系统引入了运维服务的理念．成为系统服务商；2005年，随着一些电视台新大楼项目建设，索贝开始向用户咨询设计服务，成为咨询设计服务提供商。如今，索贝的业务范围涵盖了单机销售、小型网络销售、大中型网络系统集成、咨询设计服务、运维外包服务等。     

深厚软土地区地铁工程施工关键技术研究 ——以绍兴市轨道交通2号线一期工程土建施工4标段为例

软土结构性强、压缩性高、强度和渗透性低,加大了深厚软土地区地铁工程建设的风险.本文以绍兴市轨道交通2号线一期工程土建施工4标段为例,基于该标段的工程地质特点,分析地连墙施工、基底加固、降水施工、盾构掘进及管片偏移、临河侧地连墙施工等技术难点,提出相应的处理措施和应对方案.     

融合GMS检测和置信度判别的TLD目标跟踪

针对目标在遮挡、尺度变化等复杂场景下易产生模型漂移问题,基于跟踪学习检测(TLD)框架提出一种结合基于网格的运动统计(GMS)检测和置信度判别的长时目标跟踪算法.首先在跟踪模块中采用快速判别尺度空间的相关滤波器(fDSST)作为跟踪器,利用位置滤波器和尺度滤波器对上一帧目标进行位置与尺度的判别,并依据TLD算法中跟踪模...     

改良麦草置换蒸煮

根据麦草浆蒸煮机理在研究麦草置换蒸煮的基础上提出段黑液大液比段白液小液比的改良置换蒸煮方案取得了更好的蒸煮结果     

深厚软土地层深基坑降水方案设计与施工关键技术研究——以绍兴市轨道交通2号线越王路站为例

软土含水量高、强度低、渗透性低的特点加大了深基坑降水的难度,增加了地铁建设中的风险。本文依托绍兴市轨道交通2号线越王路站工程项目,基于越王路站基坑的规模和工程特点,对深厚软土地区深基坑降水设计方案和深基坑降水施工关键技术进行研究,获取了降水设计方案和关键施工技术流程,可为类似工程施工提供借鉴。     

基于深度强化学习的移动机器人路径规划

为解决传统的深度[Q]网络模型下机器人探索复杂未知环境时收敛速度慢的问题,提出了基于竞争网络结构的改进深度双[Q]网络方法（Improved Dueling Deep Double [Q]-Network,IDDDQN）。移动机器人通过改进的DDQN网络结构对其三个动作的值函数进行估计,并更新网络参数,通过训练网络得到相应的[Q]值。移动机器人采用玻尔兹曼分布与[ε]-greedy相结合的探索策略,选择一个最优动作,到达下一个观察。机器人将通过学习收集到的数据采用改进的重采样优选机制存储到缓存记忆单元中,并利用小批量数据训练网络。实验结果显示,与基本DDQN算法比,IDDDQN训练的机器人能够更快地适应未知环境,网络的收敛速度也得到提高,到达目标点的成功率增加了3倍多,在未知的复杂环境中可以更好地获取最优路径。