锥探灌浆在蕉东联围堤围加固工程中的应用

蕉东联围堤围加固工程位于番禺区东涌镇,晒增涌水闸～安顺水闸堤段原有堤防经历代多次加固而成,堤身和堤基土质复杂,在历代培厚、加高过程中,由于施工方法和土质不一,存在空洞、裂隙的隐患。为控制渗漏消除隐患节约投资,采用锥探灌浆法进行处理。     

关于钢筋砼简支梁桥梁体病害及其维修方法的探讨

随着我国交通事业的日益发展,桥梁建设取得了长足的进步,各种各样的桥梁相继出现和应用,为我国的各项事业的进一步发展提供了强大的基础,但随之而来的桥梁病害问题也日益严重,针对上述情况,本文将对钢筋砼简支梁桥梁体的常见病害进行归纳和总结,并在此基础上提出一定的维修措施,以期能够减轻同类病害的发生,为今后的养护工作提供参考依据。     

“数字信号处理”课程中的卷积运算教学研究

卷积的定义及其计算是数字信号处理课程中的重点也是难点,从三个方面阐述了卷积的相关知识。首先介绍了数字信号处理课程中三种卷积的定义及其相互间的联系和区别;然后分析可卷积的图解法基本步骤,并进一步引入了卷积的快速算法——竖式乘法及起点判断方法;最后总结了两信号在时域的3种卷积与三种变换域的乘积对应关系。卷积相关知识的归纳,尤其是卷积的快速算法对于学生的卷积计算有很好的帮助作用。     

深立井井壁图像的卷积神经网络去噪方法

为了实现井壁缺陷的自动检测,提出去除井壁图像噪声的卷积神经网络(CNN)模型(ELU-CNN)。该模型为深28层的全卷积网络模型,由5个特征提取模块(FEM)和跳跃连接组成;跳跃连接将第一卷积层的输出特征与每一个FEM的输出特征串联融合,保证图像特征的充分提取;使用残差学习来缓解梯度消失并提高收敛速度,保证训练后的去噪模型学习到的非线性映射是图像噪声;选用ELU作为激活函数,它具有软饱和性且输出均值接近于零,能增强模型对输入噪声的鲁棒性并加速模型收敛。在标准测试集BSD68、set12及实际井壁图像上,验证ELU-CNN模型的去噪性能并和先进方法作比较,实验结果表明:与FFDNet模型相比,ELU-CNN模型的平均峰值信噪比,在含噪声浓度σ为(15,25,35,50,75)的BSD68、set12测试集上分别提高了(0.17,0.11,0.08,0.05,0.03) dB、(0.18,0.16,0.08,0.06,0.07) dB。在去除井壁图像盲噪声时,ELU-CNN模型能更好地保留缺陷的纹理信息。     

基于深度学习的农作物病害检测

针对在大规模农业种植中传统人工农作物病虫害预防和治理上常存在的问题,应用深度学习算法来进行农作物病害的检测.对47 637张图片进行病害识别检测,数据包含10个物种(主要农作物有番茄、土豆、玉米等),27种病害,总共61个分类标签.采用目前流行的深度网络结构如Vgg-16,ResNetV1-101和InceptionV4等6种模型对图像进行特征抽取.采用交叉熵和正则化项组成损失函数进行反向传播调整,对数据集进行4种不同情况的划分;并且使用了初始化和迁移训练两种训练方式,分别对6种网络架构在不同学习率下进行试验比较.结果表明:采用初始化训练对61类病害情况的最高识别准确率为84.6%;而在迁移训练中,使用合适的学习率训练,最高识别准确率达到86.1%;对3类疾病程度分类准确率为87.4%,对28种病害类型分类准确率为98.2%,对10类物种识别分类准确率为99.3%.     

本·拉登为何失败

<正>5月9日出版的《商业周刊》发表文章说,打败本·拉登的是人们对幸福的渴望和追求,人们不需要空洞的信条。文章分析认为,在过去的10年间,企图重建穆斯林辉煌的奥萨玛·本·拉登始终没有意识到,     

基于稀疏性深度学习的航拍图像超分辨重构

为降低无人机硬件设备升级成本, 研究利用深度学习技术进行航拍图像超分辨(super-resolution, SR)。针对神经网络训练参数量大的特点, 提出了一种稀疏卷积神经网络SR(SR based on sparse convolutional neural network, SRSCNN)重构方法, 对神经网络连接权值进行选择性筛选达到压缩网络结构并减少训练时间的目的。实验结果表明, 该方法在缩短网络学习时间, 图像重构效果和计算时间上具有一定优越性。同时, 设计了一种基于显著性区域的图像质量评价方式, 更适应航拍图像后续处理工作。     

卷积性质的代数证明

应用傅里叶逆变换关于卷积运算、普通乘法运算的同态满射,利用抽象代数中同态的性质去证明卷积的七个基本性质.     

基于深度卷积神经网络的DOA估计

针对现有均匀线阵远场窄带非相干多目标估计算法对低信噪比、少快拍情况适应性差、运算复杂度高，以及现有深度学习方法难以有效提取数据复值特征的问题，提出基于深度卷积神经网络的波达方向估计方法。该方法将波达方向估计问题转换为阵列输出协方差矩阵到目标到达角度的逆映射问题，利用阵列输出协方差矩阵的Hermitian特性，提取其上三角阵的实部、虚部及相位特征，构造网络的输入数据，搭建包含三维卷积层的深度卷积神经网络用来提取数据特征，网络的标签对应目标的到达角度，从而实现多个信源的波达方向估计。试验仿真表明:该方法可以充分提取空间特征，提高波达方向估计精度并降低算法复杂度。所提方法在低信噪比、少快拍数的情况下，其估计精度明显优于MUSIC、ESPRIT以及ML算法。     

基于视频的交通标志检测与识别

基于计算机视觉的交通标志检测与识别是智能交通中重要的一部分,准确检测将有利于安全驾驶。当前复杂的道路状况使得交通标志的检测和识别很困难,而且车辆在行驶过程中不稳定以及光照的变化等,给交通标志检测带来了很大的问题,给交通标志识别的准确性和快速性也带来了极大的挑战。本文通过结合颜色和形状特征来检测交通标志,针对识别问题,构建了一个VGG-8卷积模型,而且在交通信号数据集上进行了测试,该模型有很高的准确性,对于解决实际问题有一定的可行性。