一种架空蒸汽管滑动支座保温结构的优化方案

以山西某市工业园区架空蒸汽管网工程为例,提出了一种架空蒸汽管滑动支座的保温新结构,计算了普通滑动支座和新保温结构滑动支座的散热损失,并结合前期施工成本和后期运行费用,对普通滑动支座和新保温结构滑动支座进行了技术经济分析。结果表明,新保温结构滑动支座在施工阶段成本费用较高;但在运行期间可有效减少由于滑动支座弧形板处热损失所导致的蒸汽损耗的运行费用。因此采用新保温结构滑动支座实现了运行阶段的稳定、安全、节能、节省费用等。     

基于DF中继协作的车联网安全传输性能研究

5G时代的到来加快了以车路协同为核心的车联网技术的发展脚步。高效，可靠，安全的通信质量将是实现智能交通管理系统，完善智慧出行的基本要求。因此，针对存在信息窃取者的车联网中继协作传输场景，利用机会式中继选择策略与最大比合并技术设计了直接传输链路与多跳中继转发链路共存的安全传输方案，旨在提高信息传输的可靠性及安全性。同时，在获得信道概率密度函数及累积分布函数的基础上，利用全概率公式等方法推导出基于DF(Decode-Forward)中继协作传输的车联网系统安全中断概率的闭合表达式，其中涉及的信息传输信道均服从Nakagami-m分布，提高了理论推导的难度。最终的仿真实验证实了理论推导的准确性及本方案的可行性。      

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。     

基于多尺度双线性卷积神经网络的多角度下车型精细识别

针对多角度下车辆出现一定的尺度变化和形变导致很难被准确识别的问题，提出基于多尺度双线性卷积神经网络（MS-B-CNN）的车型精细识别模型。首先，对双线性卷积神经网络（B-CNN）算法进行改进，提出MS-B-CNN算法对不同卷积层的特征进行了多尺度融合，以提高特征表达能力；此外，还采用基于中心损失函数与Softmax损失函数联合学习的策略，在Softmax损失函数基础上分别对训练集每个类别在特征空间维护一个类中心，在训练过程中新增加样本时，网络会约束样本的分类中心距离，以提高多角度情况下的车型识别的能力。实验结果显示，该车型识别模型在CompCars数据集上的正确率达到了93.63%，验证了模型在多角度情况下的准确性和鲁棒性。     

基于贝叶斯网络的煤矿瓦斯爆炸事故致因分析

针对现有煤矿事故致因分析多以单方面因素分析为主,忽略人、机、环、管4个方面各因素间的关联性和整体性,且涉及到的事故类型较泛化等问题,从人、机、环、管4个方面选取诱发煤矿瓦斯爆炸事故的因素,并利用相关性分析筛选出相关性较强的变量;以GeNie为平台构建煤矿瓦斯爆炸致因贝叶斯网络模型,并采用交叉验证方法对其可靠性和准确性进行验证;通过贝叶斯网络参数学习、敏感性分析等对模型中各节点变量进行分析,计算不同条件下相关节点的条件概率分布和后验概率,提取诱发煤矿瓦斯爆炸事故的关键因素。分析结果表明:通风不足会大幅提高煤层瓦斯含量超标的可能性,员工培训不到位是瓦斯漏检的主要诱因;在煤矿瓦斯爆炸事故已发生的情况下,可能性最大的诱因是瓦斯含量超标,其次是瓦斯漏检;导致煤矿瓦斯爆炸事故的最关键因素是瓦斯含量超标、瓦斯漏检、顶板不稳定、法律法规不健全。     

异构分层无线网络中基于逗留时间的动态流量均衡算法研究

为使异构分层无线网络能服务更多的移动用户,提出了一种基于逗留时间的动态流量均衡算法.该算法首先根据用户移动模型计算其在小区内的逗留时间,然后基于小区呼叫到达率和重叠覆盖小区的流量状态来确定一个周期内呼叫转移的数量,最后依据逗留时间门限值将重负载小区中满足条件的呼叫转移到轻负载的重叠覆盖小区中.为降低切换呼叫掉线率,还对异构网间的呼叫切换策略做了改进.仿真实验结果表明,本算法在新呼叫阻塞率和切换呼叫掉线率等性能指标上比传统方法有显著的提高.