基于深度学习的竹笛吹奏技巧自动分类

提出了一种针对竹笛技巧分类的数据集Breath和两个用于竹笛技巧分类的神经网络参考模型Breath1d和Breath2d,并针对此数据集的不同分类任务给出了最佳方法。将Breath数据集划分成子集,以多层感知机为性能评价基准方法,先用Breath1d和Breath2d模型对子集进行训练和预测,再用长短期记忆网络模型进行辅助测试,最后得出了最适合子任务的分类参考模型。对全数据集进行分类时,将Breath2d与Breath1d模型进行融合,并采用数据增强方法使全集分类准确率达到0.913。与传统音频分类任务相比,该工作扩展了音乐分类的研究领域,对民族音乐现代化发展有着良好的推动作用。     

论水工建筑物的养护与维修

本文本着"养重于修,修重于抢"的精神,对水工建筑物的养护与维修提出了意见和建议,争取做到"小坏小修,不等大修,随坏随修,不等岁修",以保证建筑物始终处于完好的工作状态。     

高层建筑物的变形观测分析

随着我国经济建设脚步的不断加快,我国的城镇建设也在不断加快,城镇建设中高层建筑得到了广泛的应用,随之而来的则是高层建筑物实际建造过程中出现的一系列问题。高层建筑物的变形观测能够有效地解决建筑物中所存在的安全问题,并能够有效地整合安全问题,进而形成非常有价值的变形数据信息,为以后的建筑设计检验及正常的维护工作提供相应的依据。而当变形超过了一定限度时,就会对相应的建筑物产生一定的影响,严重的甚至会产生安全危害。因此,本文重点对高层建筑物的变形观测进行了分析。     

既有建筑物地基基础加固的研究与工程应用

随着建筑地基基础技术的发展,既有建筑物地基基础加固得到越来越多的应用,桩基技术、地基处理技术、基坑及边坡支护技术等都取得了突破。本文就国内外现状进行了分析,并探讨了地基基础加固的原因和意义,同时就工程实例进行了探讨,并给出了部分地基加固措施。     

浅谈建筑物下压煤的开采工艺

我国煤炭资源丰富,分布广泛,煤炭作为我国的最重要的能源之一,因此煤田的开发在我国经济发展中占有重要的地位。一直以来,我国的多数煤矿不同程度存在建筑物下压煤的问题,建筑物下开采对煤炭工业的可持续发展有重要的意义。文章主要分析了煤矿开采对地面建筑物的影响以及几种建筑物下采煤工艺的介绍,希望建筑物下压煤开采达到保证煤矿开采作业的安全与煤炭产量,同时能够有效的保证矿井地面建筑物不遭受破坏。     

面向对象的机载LiDAR数据建筑物提取

基于LiDAR数据,提出一种由粗到细的面向对象的建筑物自动提取方法.首先通过机载LiDAR数据构建出归一化数字表面模型(normalized digital surface model, nDSM),利用首尾两次回波高程计算出归一化差值(normalized difference, ND),并采用形态学运算消除边缘特殊回波点.基于nDSM和ND数据,依据建筑物的高程及穿透性信息,用阈值分割法进行建筑物粗提取.结合nDSM和ND数据以及强度信息,对粗提取得到的备选建筑物采取多尺度分割,合并亮度值相差较小的邻近分割结果对象,达到对分割结果的优化处理.最后利用目标对象的亮度、形状、面积和空间关系等特征,完成建筑物的精提取.实验结果表明,该方法可得到较高精度的建筑物信息,是基于机载LiDAR数据提取建筑物的新思路.     

关于工程卡车引起建筑物微振动的研究

本文以工程卡车行驶产生振动为研究对象,选取郑州西四环植物园某道路沿线一所六层砖混结构楼房进行实测。实测结果表明:工程卡车引起建筑物各楼层振动主要体现为竖直向低频振动,低频主要在40～50Hz,水平向振动主要为高频,在60～80Hz;以振动加速度级表征振动强度指标,得出楼层振动强度在60～80dB,最大振动强度74.7dB,顶层出现振动放大趋势。对顶层进行1/3倍频程分析可知,顶层各向振动速度值未超过规范的允许限值,满足建筑物内人体舒适度的要求。     

关于高压输电线路跨越建筑物环保距离要求的研究

针对220k V高压输电线路跨越建筑物的情况进行线路下方工频电场强度分布的分析,从环保角度对比满足设计规程时的环保达标情况,参照现行环保标准提出环保距离要求,为设计、运行管理、环保监测人员提供技术参考。     

基于双层上下文语义分类网的遥感郊外建筑物检测研究

本文提出了一种基于双层上下文语义网的遥感郊外建筑物检测方法。该方法主要包括以下两个阶段。第一阶段:郊外大视场遥感图像疑似区快速提取;第二阶段:通过构建双层上下文语义分类网对建筑物疑似区精准鉴别。实验表明,本算法具备检测精度高、虚警率低以及运算效率高等优点。     

几何特征表达及基于几何特征的建筑物提取

通过分析高分辨率遥感图像中建筑物光谱特征存在严重的“同物异谱”和“同谱异物”等情况,发现建筑物的几何特征比其光谱特征更加典型. 在总结了建筑物的一些典型几何特征之后,进行了基于几何特征(面积特征、矩形拟合度特征、长宽比特征、走向特征)的建筑物提取实验,发现利用几何特征能够比较有效地提取到建筑物. 由于图像分割离不开光谱特征,即建筑物几何特征的计算受到其光谱特征的影响,依据几何特征的建筑物提取结果不是非常令人满意的. 高度特征是建筑物最典型的几何特征之一,因此将高度特征引入到图像分割和建筑物提取过程是提高建筑物提取精度的新方向.     

一种基于层次结构深度信念网络的音素识别方法

针对现有音素识别系统识别准确率不高、建模方法表征能力不强且易陷入局部最优解等问题,提出了一
种基于层次结构深度信念网络(deep belief network, DBN)的音素识别新方法. 该方法由基于层次结构DBN的瓶
颈特征以及基于DBN的音素分类器两部分组成：其中的瓶颈特征能够充分利用DBN能够处理长时段语音、监督
性的提取方法等特性;而基于DBN的音素分类器则具有更强的建模和表征能力. 因此,将两者结合在一起能够在
提取低维、监督性特征的同时,利用DBN更加有效地对音素后验概率进行识别. 在TIMIT数据库上进行的实验结
果表明,所提出的音素识别方法在识别正确率上相对于以往音素识别系统有较大提高.     

基于自回归模型的基坑周边建筑物沉降预测分析

为了确保基坑周边建筑物的安全,建立自回归模型研究周边建筑物沉降的趋势并及时预测。首先采用统计方法分析沉降监测基准的稳定性,然后根据某监测点16期观测数据,建立自回归模型AR(P),最后使用4期的预测数据与实测数据进行比较:预测值和实测值之间的最大差值不超过0.6mm。表明该模型有良好的预测结果,可应用于预测该基坑周边建筑物的沉降。     

基于深度学习的果蝇识别

识别果蝇并根据其数量变化总结出果蝇暴发规律,在其暴发期到来前采用相应手段进行诱杀,是有效加强树莓虫害防控的综合措施.但是,由于果蝇躯体小,人工识别难度大、耗时长、效率低,因此本文提出一种基于深度学习的果蝇识别方法.该方法采用YOLO v3目标检测模型,通过建立果蝇数据集对模型进行训练.测试结果表明,该方法对果蝇的平均识...     

建筑物载荷位置及大小对地表及隧道的影响研究

近年来,我国轨道交通得到了迅猛的发展,地铁线路已延伸城市地下各个角落,同时随着城镇化建设的快速发展以及充分利用土地考虑,在已建地铁上部地表施做地面建筑物越来越多,而建筑物的施工将必然会对已有的隧道造成一定的影响。因此,本论文以某地铁工程为背景,考虑建筑物楼层荷载的不同位置和建筑物楼层荷载的不同大小两种工况对地表的水平位移、竖向位移和隧道周围特征点的水平位移和竖向位移以及隧道管片结构的轴力和弯矩的影响。研究成果可为类似工程的设计、施工和研究提供有益的借鉴和参考。     

建筑物整体移动的防振措施

具有一定价值的建筑物若影响城市规划,往往被迫迁移.在建筑物的迁移施工中,由于千斤顶对建筑物的顶推作用及移动轨道施工误差等因素,容易造成建筑物的水平振动和竖向冲击振动,而导致建筑物局部损坏,因此如何防振是建筑物平移施工中的重点.     

基于MIDAS的地铁隧道开挖对邻近建筑物的变形影响分析

地铁隧道规划往往会经过城市的繁华地段,不可避免的对邻近既有建筑物造成影响,如何有效控制地铁开挖过程中引起的建筑物变形沉降问题一直是研究的重难点。以南京地铁7号线为例,采用MIDAS数值模拟软件建立三维地质模型,首先分析地铁隧道开挖对既有建筑物的影响,后依次对三台阶法和交叉中隔墙(CRD)法开挖引起围岩变形进行研究,最后对隧道完工后的监测点曲线进行变形分析。结果表明：地铁隧道开挖穿越邻近建筑物这一过程,离隧道近的建筑物基础点沉降量很大,而离隧道远的建筑物基础点沉降量相对较小,由沉降差可知为不均匀性沉降;相比于CRD法,采用三台阶开挖法能有效降低隧道开挖处的拱顶沉降,提高隧道围岩的安全稳定性。由于隧道开挖导致围岩应力迅速释放以及初期支护效果的滞后性,相比于隧道周边收敛点变形而言,拱顶处的变形幅度则更大。     

基于深度学习的联邦集成算法

联邦学习是多源隐私数据保护领域研究的热点,其框架在满足数据不出本地的情况下,可以训练出多方均满意的共同模型,但存在本地模型参数难以整合且无法在安全的情况下将多源数据充分使用的问题,因此提出基于深度学习的联邦集成算法,将深度学习与集成学习应用到联邦学习的框架下,通过优化本地模型的参数,提高了本地模型准确率;使用不同的集成算法来整合本地模型参数,在提升模型准确率的同时兼顾了多源数据的安全性。实验结果表明：与传统多源数据处理技术相比,该算法在mnist、digits、letter、wine数据集训练模型的准确率依次提升1%、8%、-1%、1%,在保证准确率的同时也提升多源数据与模型的安全性,具有很重要的应用价值。     

基于深度学习的医疗电子数据特征学习方法

面向高维异构的医疗电子数据,如何才能有效开展特征学习以优化患者联合用药不良预后的风险预测？针对此问题,提出一种基于深度学习的医疗电子数据特征学习方法。首先结合深度学习长短期记忆网络模型和深度稀疏自动编码模型学习具有时序特性的患者联合用药数据的特征表示,并通过二分k-均值聚类方法形成联合用药综合表达因子。然后构建风险预测特征向量和风险相关特征向量,分别用于联合用药的不良预后风险预测和风险相关性分析。最后将该方法与已有的传统方法在真实医疗电子数据集上进行对比实验,结果表明：该方法在患者联合用药的不良预后风险预测中,准确率比传统方法提高了5%～10%,误判率降低了3%～5%,具有较好的风险预测性能。     

基于深度学习的联邦集成算法

联邦学习是多源隐私数据保护领域研究的热点,其框架在满足数据不出本地的情况下,可以训练出多方均满意的共同模型,但存在本地模型参数难以整合且无法在安全的情况下将多源数据充分使用的问题,因此提出基于深度学习的联邦集成算法,将深度学习与集成学习应用到联邦学习的框架下,通过优化本地模型的参数,提高了本地模型准确率;使用不同的集成算法来整合本地模型参数,在提升模型准确率的同时兼顾了多源数据的安全性。实验结果表明：与传统多源数据处理技术相比,该算法在mnist、digits、letter、wine数据集训练模型的准确率依次提升1%、8%、-1%、1%,在保证准确率的同时也提升多源数据与模型的安全性,具有很重要的应用价值。     

基于深度学习的金属表面缺陷检测

由于金属产品生产过程中各种因素的影响,金属工件可能会存在一些表面缺陷．这会降低材料强度,缩短工件寿命,并且增加安全风险．因此,需要对金属产品表面进行质量检测,这也是保证工业生产质量的关键环节．与传统人工检测相比,基于机器视觉的表面缺陷检测方法具有速度快、精度高等优点．提出了一种改进的YOLOv5算法,用于金属表面缺陷检测研究,在原YOLOv5算法的基础上将空间金字塔池化结构SPP替换成SPPCSPC,提高模型对金属表面缺陷的检测能力．为了验证算法的有效性,分别采用YOLOv3,YOLOv4,YOLOv5及改进的YOLOv5算法对1 800张金属表面缺陷样本图像进行对比测试．结果表明,与YOLOv3,YOLOv4,YOLOv5原算法相比,改进的YOLOv5算法平均目标检测精度均值分别提高了4.3%,3.3%,2%．通过大量图片的学习,可以获得更好的精确率．