高速公路边坡加固与防护技术研究

边坡作为高速公路中非常关键的一个位置,对于高速公路整体的稳定性有着重要的影响.因此,为了确保高速公路交通的通常运行,进一步提高高速公路服务质量,施工单位需要对其边坡进行优化加固处理,采用先进的防护技术,从而不断增强高速公路边坡的稳定性,充分保障行车的安全.为此,笔者就对高速公路边坡加固与防护技术进行了详细的介绍论述,总结出以下相关结论,以供参考.     

基于改进的LANDMARC算法的空间定位实验

利用 HIK-RFM104型UHF嵌入式读写模块和中电海康提供的圆极化天线，搭建了基于UHF RFID的直线式测距实验平台。在室内进行测距实验，应用MATLAB将在实验中测得的数据进行非线性拟合处理，得到 RSSI 与距离的转换模型。基于测距实验，对应用于平面的LANDMARC算法进行改进，使改进后的算法适用于空间定位系统。改进算法解决了基于平面的LANDMARC算法应用于空间时存在误差的问题，降低实验模型成本的同时，提高了空间定位精度。     

《济南大学学报(自然科学版)》2015年总目次

<正>~~     

Apriori算法在信息与计算科学专业课程设置中的应用

课程设置是大学教育教学的核心问题,根据人才需求,结合专业特点,以京津冀地区数据分析方向岗位招聘信息为数据集,每条招聘信息为样本,将各个招聘条件转化为项,运用Apriori算法找出频繁项集及强关联规则,对信息与计算科学专业数据分析方向的课程设置给出建议.     

改进智能算法的认知无线Mesh网络优化频谱分配算法

随着网络资源日益紧张,认知无线Mesh网络中的频谱优化分配问题的研究主要集中在总带宽的最大化和占用频谱数的最小化。文中考虑到杂草算法的多样性以及容易实现和编码快捷等特点,提出一种基于改进入侵杂草优化算法(IWO)的频谱优化分配方法(IIOW)。通过对扩散条件中调和指数的优化,使得扩散更加均匀准确,大大加快收敛速度,同时优化了适应度函数的曲线。仿真结果表明:基于改进IWO的优化算法能在最大化总带宽与最小化信道占用数的情况下,获得较为理想的适应度函数曲线,同时加快收敛速度。     

基于Kriging模型的多点加点准则和并行代理优化算法

针对并行仿真环境下复杂工程系统的优化设计问题,提出一种基于Kriging模型、多目标策略和聚类方法的并行代理优化算法.该算法的多点加点准则,以同时优化期望改进准则和可行性概率准则为目标,首先生成兼具目标响应改进和可行域边界刻画功能的备选试验点集;再利用聚类方法从备选点集中选取多个有代表性的新试验点.通过两个数值算例和一个工程算例,将所提并行优化算法与已有算法做比较,结果表明所提算法具有更高的优化精度、效率和稳健性.     

基于分布式算法的含微电网电力供应侧市场均衡分析

考虑微电网参与配电侧电力市场投标竞争,并引入一个中间商来实现日前批发市场与配电侧电力市场之间的电力交易.基于该市场交易架构,建立了微电网参与投标竞争的电力市场供应函数均衡模型.然后将该均衡模型转化为凸优化问题,在理论上证明了解的存在性和唯一性,并考虑到实际电力市场中信息的不对称性,采用分布式优化算法进行求解.最后通过算例验证了该均衡模型和求解方法的有效性,表明在微电网参与的配电侧电力市场和日前批发市场之间引入中间商,会平滑日前批发市场电价的激烈变化,缓解市场力滥用行为,有助于整个电力市场的高效平稳运行.     

及时性自适应高维经济基本面建模与汇率预测分析

在人民币国际化不断推进,人民币汇率双向波动加强的背景下,构建具有优良预测能力的汇率预测模型愈发重要.参数模型对汇率预测的能力不仅取决于模型设定是否正确,还取决于模型能够同时:一方面能否迅速探测模型参数的结构性变化以使用最佳信息估计模型参数,另一方面能否及时识别模型解释变量以使用最佳解释变量对汇率进行预测.本文构建了自适应变元算法.该算法不仅能实时检测模型参数的结构性变化,探测参数的最大化同质区间,同时还能对变量进行及时识别以选择最佳模型解释变量,提高模型的预测能力.在样本外向前3至24个月的汇率预测中,自适应变元算法能显著超越随机游走,马尔可夫机制转换模型,误差修正模型,实时最优窗算法,多元自适应可变窗算法与其他经济基本面模型包括:弹性货币模型,购买力平价模型,利率平价模型,泰勒规则模型,偏移泰勒规则模型.变量选择结果显示,自"811"汇改以后,经济基本面因素决定了人民币汇率走势.中国与其他发达经济体包括欧元区,英国与日本的经济基本面同样能够决定美元兑人民币汇率走向.另外,自"811"汇改之后,人民币汇率预期相比于"811"汇改之前更易受到外部冲击的影响,合理的人民币汇率预期监管依然需要依赖于实行有管理的浮动汇率制度,防止汇率风险.     

小样本条件下SCGAN+CNN低分辨雷达目标一步识别算法

现有低分辨雷达目标识别方法，通常采用先特征提取、再进行目标分类的两步识别算法，这种算法存在识别率难以提高和方法泛化性不足的问题，对此，提出一种增强条件生成对抗网络（strengthening condition generative adversarial network，SCGAN）+卷积神经网络（convolutional neural network，CNN）的低分辨雷达目标一步识别算法。该算法利用CNN自动获取采样数据深层本质特征，无需特征提取，实现对目标的一步识别。为进一步提高小样本条件下的识别效果，基于CGAN理论来提高样本在特征空间的覆盖程度，并对CGAN的判别器进行改进，在损失函数中增加混叠惩戒项，通过SCGAN生成不混叠的生成样本来更好地训练CNN，提高其在小样本条件下的识别能力。仿真对比实验校验了一步识别算法较传统两步识别算法的优越性，以及SCGAN+CNN的低分辨雷达目标一步识别算法在小样本条件下的有效性。     

基于改进的局部保持投影的战时备件分类

为提升战时合成部队备件保障效能，需对其进行有效分类，以便开展备件的预储预置。针对备件种类多、时效性强、影响分类因素复杂的现实问题，提出了基于改进的局部保持投影的备件分类方法。首先，根据战时备件分类储备的影响因素，作为备件分类的特征指标，其次，利用改进的局部保持投影的降维方法对备件原始特征数据进行特征降维，得到低维特征向量。再利用支持向量机（support vector machine，SVM）的分类器对低维数据进行分类。并通过量子粒子群对SVM的核函数参数进行寻优，提升备件分类精度，得到满足备件分类准确率最优时的降维维数和分类器参数。最后，通过对演习装备备件分类的实例分析，验证了模型的可行性和合理性，并对比分析了其他分类方法，表明该方法能够较好地解决战时备件分类的问题。