简析我国河川径流的特征

我们伟大的祖国，山高水长，河流众多，河川径流资源丰富。但我国人均占有水量却只有世界平均数的1／4．而且我国河川径流资源的时空分布又很不均匀。了解和认识我国河川径流资源的特征，对于我们合理开发、利用水资源具有十分重要的意义。     

矿物、岩石标本的采集与整理

矿物和岩石标本的采集与整理,是进行地质学课程学习和教学的一个重要实践性环节,科学规范地进行这项工作,对于促进、提高该课程的教学效果十分有益。     

混凝土的耐久性与“最小水泥用量”

混凝土的耐久性是其使用中的重要性质,满足设计要求的耐久性在很大程度上来源于高质量的混凝土配合比设计。在配合比设计中,选择正确的水灰比及确保＂最小水泥用量＂得到满足,是保证混凝土耐久性的关键。本文对耐久性与水泥用量之间的关系进行了分析探讨。     

建筑给排水管道施工的质量通病防治探析

建筑给排水管道施工质量的优劣，直接影响工程建成后人们的使用。长期以来，由于设计及施工不当造成的“质量通病”在建筑工程中时有发生。本文深刻剖析了“质量通病”产生的原因，结合工程施工实际，提出了防治“质量通病”的对策。     

加热炉蓄热系统的损坏原因及改进措施

针对蓄热式加热炉的蓄热室在使用过程中常出现堵塞、烧损及蜂窝体破碎等现象;通过对加热炉蜂窝体的尺寸进行改进,改善了加热炉蓄热系统的蓄热性能,满足了加热炉的使用要求。     

溶解性有机质对重金属在土壤中吸附和迁移的影响

溶解性有机质(DOM)是土壤中最具有活性的组分,可以与重金属发生吸附、解吸、络合等一系列作用,对重金属的迁移转化、生物有效性等产生一系列重要影响。通过实验研究溶解性有机质对重金属吸附和迁移的影响。吸附实验表明,重金属Cu、Pb、Cr、Cd在土壤中吸附能力是不同的,土壤对重金属吸附能力的大小顺序为PbCuCrCd。土柱实验表明,重金属Cu、Pb、Cd、Cr在土壤中的迁移规律相似,均为前期淋出液重金属含量较低,后期随时间的增大而增大,当达到吸附饱和后浓度趋于稳定。但不同重金属迁移速率各不相同,这与吸附实验结果相符。溶解性有机质的存在对重金属迁移的影响主要体现在迁移速率上,其穿透时间比去除有机质的情况短,有机质的存在有利于重金属离子向下迁移,但当达到饱和后对重金属迁移浓度影响不显著。     

太平军武器装备初探

金田起义之始，太平军武器极为落后，主要为刀、矛等冷兵器，并杂以农具和少量的旧式火器。胜利进军武汉、南京途中，太平军缴获清军装备甚多，武器得到较大改善。定都天京后，太平军通过购买、缴获及设厂制造等办法，开始采用西方近代化武器。武器装备的改善使太平军的战斗力得到很大的提高，沉重打击了中外反动势力。     

重型电动轮自卸车自抗扰传动控制

分析了电动轮自卸车传动控制系统的特点,提出了电动轮自卸车自抗扰传动控制,设计了基于遗传算法参数整定的自抗扰传动控制系统.仿真结果表明,自抗扰控制器完全能够满足系统控制要求,且比同样采用遗传算法参数整定的PID控制具有更强的抗扰能力和鲁棒性.     

基于CNN-LSTM的脑电情感四分类研究

为深入研究脑电信号时空特征之间的关联,解决因手动提取特征导致的脑电情感识别准确率较低问题。将卷积神经网络（Convolutional neural network, CNN）和长短时记忆网络（Long short- term memory, LSTM）相结合,构造出了CNN-LSTM模型。首先,提取了5个频段的5个不同特征：功率谱密度(PSD)、差分熵(DE)、差分不对称(DASM)、理性不对称(RASM)和差分熵差分(DCAU)。其次,将特征输入CNN-LSTM模型,在DEAP数据集中的效价和唤醒两种情感维度上展开四分类实验。最后,将堆栈自编密码器(SAE),卷积稀疏自编码器(CSAE),深度置信网络(DBN)分别与LSTM组合,构造SAE-LSTM,CSAE-LSTM,DBN-LSTM三种混合模型同CNN-LSTM进行分类准确率比较。实验结果表明,DE特征的分类识别效果在五种特征中占最优,β和γ频段上所有特征的识别准确率远高于其他频段,尤其是γ频段。CNN-LSTM模型获得了最高的平均分类准确率92.48%,充分证明了CNN-LSTM模型的有效性。     

基于快速峰值聚类的高速公路异常事件识别方法

为准确全面感知高速公路交通运行状况,根据高速公路海量收费数据,提出一种高速公路通行异常事件识别的数据挖掘方法。首先,选取贵州省2017年1月的高速公路收费数据,筛选指定的进站、出站数据并去除多余字段,利用车辆进入和驶出收费站时间计算其在该路段的通行时长。然后,使用快速峰值聚类算法对通行时长和车辆总重进行聚类分析,计算数据间欧式距离,将此距离矩阵作为算法输入,计算各数据点的局部密度ρ及与密度更高点的距离δ两项指标;这两项指标均以较高的点为聚类中心,进而对非中心点进行分类及优化,输出聚类结果;聚类结果中除被分为若干类的正常数据外,还存在一些数据点明显异于大部分正常数据的噪声点,即异常数据,对这些异常数据进行具体分析。接着,采用孤立点检测法对筛选出的数据进行清洗处理,提取异常数据,检测出通行时间过长、过短及车辆总重过高、过低等异常事件。最后,将孤立点检测法得到的异常数据与快速峰值聚类算法的异常数据进行对比。研究结果表明:快速峰值聚类识别异常事件的准确率高于孤立点检测法约20%,验证了提出算法的有效性和准确性;提出的算法能有效准确识别收费数据中隐藏的公路拥堵、长时间停留、疑似逃费和网络设备故障等异常事件,进而为高速公路运营服务和管理决策提供数据支持。