基于卷积神经网络的5G蜂窝网络无线定位方法

5G蜂窝网络发展迅猛，其覆盖面积将逐渐增大，因此使用5G蜂窝网络进行定位是有研究潜力的研究方向。本文提出一种新的深度学习技术来实现高效、高精度和低占用的定位，以代替传统指纹定位过程中繁重的指纹库生成以及距离计算。该方法建立了一个特殊的卷积神经网络，并根据5G天线信号的接收信号强度指示、相位和到达角等特征量，选择合适的输入数据格式构造样本组建训练集，对该卷积神经网络进行训练。训练得到的卷积神经网络可以替代指纹定位中的庞大指纹库，非常有利于直接在5G移动设备端实现定位。虽然卷积神经网络在训练过程中需要大量时间，但在训练完毕后直接进行分类定位的速度非常快，可以保障定位实现的实时性。本文所实现的卷积神经网络权重与偏置所占内存不到0.5 MB，且能够在实际应用环境中以95%的定位准确率以及0.1 m的平均定位精度实现高精度定位。     

基准平面垂直断面法在爆破漏斗试验中的应用

系统阐述了基准平面垂直断面法在爆破漏斗试验中测量爆破漏斗体积的基本原理,并将隧道激光断面仪应用于金厂河矿1 750 m水平15^#采场底部切割巷道爆破漏斗试验爆破漏斗体积测量中。通过与传统体重法等计算法所得漏斗体积分析比较,结果表明基于隧道激光断面仪与3D Mine软件分析的基准平面垂直断面法实用性强、操作方便、结果直观可靠,达到试验预期目的。     

深孔爆破成井技术在三道庄钼矿的试验与应用研究

洛钼集团矿山公司三道庄矿区由于历史原因,露天开采境界地下内存在的采空区已危及矿山公司的正常安全生产,阻碍了洛钼集团可持续发展。为解决这一重大问题,经过充分调研和多方论证,认为深孔一次爆破成井技术是解决此类采空区难题唯一的经济上合理、技术可行、安全可靠的手段与途径。深孔爆破成井实现与采空区顶板的贯通,使采空区边岩稳定,顶岩暴露面积缩小,确保了采空区的稳定;保证了台阶正常推进。     

电气化铁路既有线深路堑扩堑石方控制爆破

介绍电气化铁路既有线无隔墙台阶爆破扩堑方法。沿既有线方向设置低台阶 ,边界处布置光爆孔 ,采用“同列同段和列间微差”的起爆网路。采用自制的“炮被”和架设“钢管排架”阻挡飞石、滚石和滑石 ,确保了既有线的安全。文中还概述了“炮被”和“钢管排架”的制做以及作者的认识和体会。     

不同段数爆破地震波的反应谱分析

为了研究段数对反应谱特性的影响,基于某石方控制爆破工程爆破振动实测数据,对不同段数爆破振动信号进行了反应谱分析。首先,利用实测的爆破振动速度信号采用直接微分法获得了加速度信号,并利用EEMD分解对加速度信号进行低通滤波去噪处理,获得了准确清晰的加速度曲线。然后,利用精确法求得了不同段数下爆破振动信号的速度反应谱和标准速度反应谱。分析结果表明:不同段数的爆破振动质点峰值速度与速度反应谱的峰值速度并不存在对应关系,因此分段数的选择应综合考虑结构对爆破振动的动态响应。     

基于阶段注意力机制的电力线提取算法

电力系统维护是电力系统稳定运行的重要保障，应用智能算法的无人机电力巡检则为电力系统维护提供便捷。电力线提取是自主电力巡检以及保障飞行器低空飞行安全的关键技术，结合深度学习理论进行电力线提取是电力巡检的重要突破点。本文将深度学习方法用于电力线提取任务，结合电力线图像特点嵌入改进的图像输入策略和注意力模块，提出一种基于阶段注意力机制的电力线提取模型（SA-Unet）。本文提出的SA-Unet模型编码阶段采用阶段输入融合策略（Stage input fusion strategy， SIFS），充分利用图像的多尺度信息减少空间位置信息丢失。解码阶段通过嵌入阶段注意力模块（Stage attention module，SAM）聚焦电力线特征，从大量信息中快速筛选出高价值信息。实验结果表明，该方法在复杂背景的多场景中具有良好的性能。     

立柱加固型框架大楼的爆破拆除

采用定向控制爆破技术拆除立柱加固型7层框架大楼。为了彻底炸毁加固立柱,确保大楼顺利定向倾倒,通过多次爆破试验确定了炸药单耗、布孔参数和装药结构。为了控制大楼塌落时的触地震动,采取了秒差分区爆破、空中解体、铺垫缓冲层和开挖减震沟等技术措施。爆破过程中进行了震动监测。此外还介绍了起爆顺序、安全防护措施及爆破结果。     

爆破工程费用计算方法探讨

爆破工程具有周期短、自成完整体系、技术管理严格的特点,但在费用管理上需进一步规范与整顿。本文阐述了工程费用的构成、调整及爆破工程费用的计算方法。     

基于深度信念网络的列车故障音频诊断方法

铁路在交通运输行业有着举足轻重的地位，一旦列车发生故障将会导致严重的生命财产损失。由于列车发生故障的概率相对较低，因此难以捕获列车的故障样本。针对上述问题，提出了一种无监督学习的列车故障识别方法，通过检测列车音频信号来识别列车故障。该方法基于深度信念网络(DBN)，利用小波包分解提取检测信号的特征向量并将其作为DBN的输入，待网络充分训练后，由训练好的DBN识别当前列车的运行状况。现场监测实验结果表明，该方法能够在无监督的条件下有效识别列车故障，保障了列车的运行安全。     

基于深度学习的秀丽隐杆线虫显微图像分割方法

利用计算机实现自动、准确的秀丽隐杆线虫(C.elegans)的各项形态学参数分析,至关重要的是从显微图像上分割出线虫体态,但由于显微镜下的图像噪声较多,线虫边缘像素与周围环境相似,而且线虫的体态具有鞭毛和其他附着物需要分离,多方面因素导致设计一个鲁棒性的C.elegans分割算法仍然面临着挑战。针对这些问题,提出了一种基于深度学习的线虫分割方法,通过训练掩模区域卷积神经网络(Mask R-CNN)学习线虫形态特征实现自动分割。首先,通过改进多级特征池化将高级语义特征与低级边缘特征融合,结合大幅度软最大损失(LMSL)损失算法改进损失计算;然后,改进非极大值抑制;最后,引入全连接融合分支等方法对分割结果进行进一步优化。实验结果表明,相比原始的Mask R-CNN,该方法平均精确率(AP)提升了4.3个百分点,平均交并比(mIOU)提升了4个百分点。表明所提出的深度学习分割方法能够有效提高分割准确率,在显微图像中更加精确地分割出线虫体。