Banach空间一阶脉冲微分方程与HL积分

利用Mǒnch不动点定理,非紧型测度和无穷区间上HL积分性质,讨论了Banach空间无穷区间上一阶脉冲微分方程解的存在性.     

基于Inception-BiLSTM和迁移学习的结构损伤识别

针对传统卷积神经网络（convolutional neural network,CNN）方法在时空特征提取存在不足,提出一种改进的Inception与双向长短期记忆（ bi-directional long short-term memory,BiLSTM）联合模型,以全面学习振动信号中的空间和时序信息。首先,构建具有多尺度感受野的Inception模块,自适应地提取不同尺度下的空间特征;其次,BiLSTM序列化处理时间特征,以深度挖掘时间相关性;最后,通过全局平均池化和Softmax分类器来实现钢框架结构的损伤识别。为评估该模型对噪声的鲁棒性,引入高斯白噪声作为干扰。此外,采用迁移学习策略来评估模型在不同强度激励和小样本下的泛化能力,确保适用于不同的损伤识别任务。结果表明,与传统的CNN方法相比,该模型在无噪声条件下及信噪比超过25dB时保持了100%的识别精度。该方法解决了土木工程应用中样本量不足和不同强度激励的实际挑战。通过微调预训练模型的参数,实现了在不同强度激励和小样本情况下的知识迁移与泛化,从而增强了模型的实际适用性。     

802.16e系统周期测距的软件设计和实现

测距作为WiMAX上行链路调整时间偏置、功率信息和载波频率的一种方法,在系统接入和通信过程中起着重要作用。深入研究了基于ARM处理器的802.16e系统正交频分多址(orthogonal frequency division multiple ac-cess,OFDMA)物理层的周期测距的软件设计与实现,给出了802.16e系统OFDMA物理层的周期测距算法和流程、周期测距码的发射和检测原理以及周期测距模块的C语言设计。在搭建的测试平台上进行链路测试,结果表明此方案是可行的。     

基于GIS的配电网拓扑算法的研究与实现

根据GIS空间数据特点和配电网数据特点,提出了基于GIS的配电网矢量拓扑模型,详细分析了基于GIS的配电网拓扑算法在配电网电路调度模拟中的应用.实践证明,提出的空间拓扑算法具有效率高、易实现等特点.     

论陈寅恪对中国比较文学学科发展的贡献

从学科自觉的角度看,陈寅恪先生对比较文学学科发展的贡献主要体现在三个方面：第一,他是中国第一位从学科自觉高度提出比较文学定义的学者;第二,他用理论与实践活动丰富与发展了比较文学的研究类型、范式与研究方法;第三,他在跨文化传播与接受方面提出了自己一系列独到的见解。     

节约型社会中的园林绿化

园林绿化建设直接关系到居民生活质量和城市莆观质量,是社会建设的重要组成部分,在我国正在开展节约型社会建设的大背景下,园林建设也应讲究节约,从决策规划开始到施工养护再到维护运营,每一步都要注意节约资源,以长远的眼光和科学的方法开展节约型园林建设。     

PRNet:渐进式消减不确定区域的息肉分割网络

由于息肉图像的自动分割病灶区域大小不一和边界模糊,从而导致分割精度较低.针对这两个问题,本文提出先定位后逐步精细的渐进式消减网络（Progressive Reduction Network,PRNet）.该网络采用Res2Net提取病灶区域特征,利用多尺度跨级融合模块将注意融合机制与跨级特征结合,有效应对病灶区域多尺度问题,提升定位准确度.在自上而下恢复图像分辨率的过程中,引入不确定区域处理模块和多尺度上下文感知模块.前者通过设定递减的阈值逐步挖掘息肉边缘信息,增强边缘细节特征的识别能力;后者则进一步探索病灶区域周围潜在的上下文语义,提升模型的整体表征能力.此外,本算法还设计了一个简单的特征过滤模块,用于筛选编码器特征中的有效信息.在Kvasir-SEG、CVC-Clinic和ETIS数据集上的实验结果表明,所提算法的Dice系数分别达到了92.09%、93.05%和74.19%,优于现有的息肉分割算法,展示出了较好的鲁棒性和泛化性.     

基于多重分形理论的沥青路面集料离析评价方法

对采集的沥青道路表面数字图像进行二值化处理,通过多重测度理论计算得到沥青道路表面集料分布的谱参数,运用多重分形谱参数表征了沥青路面集料各分布状态下的离析程度。结果表明,沥青道路表面集料的分布有多重分形特性,其谱宽Δα能反映集料分布的不均匀程度,Δα越大表明集料分布越不均匀;通过白色像素占总像素的比率ε调整后的谱宽Δα′(Δα′=Δα·ε)能定量表征集料的离析程度;运用多重分形谱评价沥青道路表面集料离析是一种较为准确、高效、低成本的新方法。     

基于T-S模糊模型的自适应重构控制

针对建模误差,外界干扰及操作故障等因素对重构控制的影响,提出了一种基于T-S模糊模型的自适应重构控制方案。整个方案基于模糊T-S模型,在与神经网络的学习能力相结合后,使模糊控制器能自动调整它的隶属度函数,为模糊控制器增加了相当的灵活性,可重构的控制律又使系统在故障情况下的输出精确跟踪期望参考模型的输出,可以有效地补偿故障引起的非线性因素的影响。仿真结果表明了所提出的方法的有效性。