夏热冬冷地区绿色建筑外墙节能特性的LBM模拟及效益分析

针对夏热冬冷地区绿色建筑中外墙的典型保温方式和常见保温材料,采用多松弛时间格子玻尔兹曼方法建立瞬态共轭传热数值模型,分析间歇耗能条件下墙体的瞬态热传导过程,进而得出不同类型保温外墙的节能特性。在此基础上,发展保温墙体增量综合效益的计算方法,分析绿色建筑外墙的增量成本及其增量效益,进而建立外墙增量综合效益评价模型,获取保温外墙最优设计方案。研究数据表明,采取内保温方式的外墙在该地区具有最佳的节能特性,尽管采用不同保温方式和保温材料的外墙均具有一定的节能特性,然而,在其全生命周期内,使用外保温方式以及增量成本较高的保温材料的墙体的增量综合效益出现负值,因此,不适宜在工程实践中应用。此外,研究结果显示,尽管增加保温层厚度可以在一定程度上强化外墙的保温性能,然而,增加保温层厚度会产生额外的增量成本,因此,绿色建筑项目实践中应综合考虑墙体节能特性及其增量成本进而选取适宜的保温层厚度,从而实现其全生命周期内增量综合效益的最大化。     

组稀疏表示的双重l1范数优化图像去噪算法

由于图像受噪声的影响,无法从降质信号中获得准确的稀疏系数.针对此问题,对一种组稀疏表示的双重l_1范数优化图像去噪算法进行研究,该算法同时采用非局部相似图像块组稀疏表示的l_1范数和稀疏残差作为正则项对组稀疏系数进行约束,并利用一种有效的迭代收缩算法实现对模型的优化求解,以获取更鲁棒的稀疏系数,另外,为了进一步提高去噪性能,采用贝叶斯公式推导出自适应调整两个正则化参数的方法.实验结果表明,与现有的许多算法相比,新算法能够在去除噪声的同时抑制伪影,保护图像的细节信息,峰值信噪比相对经典的BM3D算法而言,最多可提高1.24 dB.     

预制拼装等边箱型墩抗震性能指标分析

采用IDA法对预应力预制拼装箱型高墩的抗震性能和性能指标进行研究,对墩底截面曲率、墩顶位移、预应力3个基本性能指标在预应力预制拼装箱型高墩领域的适用性进行探讨.结果表明:对于预应力预制拼装箱型高墩来说,由于高阶振型的影响,墩顶位移的大小并不能准确表征构件的损伤状态,不适合作为抗震性能指标;当墩底曲率达到极限曲率时,墩底截面曲率增加幅度远大于墩身截面曲率,可以很好地反映构件的损伤状态;选用墩底截面曲率并结合预应力指标作为性能指标,能较好地表征构件的损伤状态.相关研究结论可为该类型高墩的抗震分析和设计提供借鉴.     

多尺度并行融合的轻量级卷积神经网络设计

针对传统深度卷积神经网络分类精度不佳,参数量巨大,难以在内存受限的设备上进行部署的问题,本文提出了一种多尺度并行融合的轻量级卷积神经网络架构PL-Net。首先,将上层输出特征图分别送入两种不同尺度的深度可分离卷积层;然后对并行输出特征信息进行交叉融合,并加入残差学习,设计了一种并行轻量型模块PL-Module;同时,为了更好地提取特征信息,利用尺度降维卷积模块SR-Module来替换传统池化层;最后将上述两个模块相互堆叠构建轻量级网络。在CIFAR10、Caltech256和101_food数据集上进行训练与测试,结果表明:与同等规模的传统CNN、MobileNet-V2网络及SqueezeNet网络相比,PL-Net在减少网络参数的同时,提升了网络的分类精度,适合在内存受限的设备上进行部署。     

绿色建筑节水措施与增量成本分析

绿色建筑在我国建筑业发展中占据不可动摇的地位,是未来建筑业发展的主导趋势,"四节一环保"是绿色建筑的核心﹒介绍了绿色建筑节水和我国绿色建筑的诞生历程,概述了我国绿色建筑的主要节水措施和节水项目增量成本的计算方法.     

基于快速残差插值和卷积神经网络的去马赛克算法

针对传统插值法存在的图像细节不能很好恢复的不足,利用卷积神经网络作为残差插值法的后处理操作,提出了一种基于残差插值和卷积神经网络的去马赛克算法。方法分为初始去马赛克和细节恢复后处理两部分。先用改进的基于梯度的快速残差插值法实现初步去马赛克插值,并针对恢复图像中包含了彩色伪影,细节丢失等问题,再使用深度残差网络学习恢复图像与理想全彩色图像之间的映射,实现后处理。在Kodak数据集和IMAX数据集上的实验结果表明,该方法结果在主观视觉特性和客观评价指标两方面相较于传统方法都有明显改进。     

基于正则化协同表示的鲁棒PCA人脸识别

针对人脸图像复杂环境变化,提出了一种基于正则化协同表示的鲁棒PCA人脸识别算法。算法首先通过协同表示计算重构样本与测试样本之间的残差,根据残差选取与测试样本临近的训练样本组成新的字典;然后在该字典上通过鲁棒PCA依次进行低秩误差分解,并计算误差矩阵的平滑性、稀疏性;最后联合协同表示的残差以及低秩分解中的平滑性和稀疏性构建判别准则进行人脸图像的分类识别;在ORL、AR等人脸库的实验表明:基于正则化协同表示的鲁棒PCA人脸识别算法不仅能够在复杂环境变化下取得良好的识别性能,而且保持了协同表示的优势,大大减少运行时间。     

基于DRNet的常微分方程模型逼近和序列预测方法

针对残差网络预测精度偏低的问题,基于系统观测数据和相轨线的关系,提出密集残差网络的方法实现对自治系统的拟合逼近和序列的高精度预测。首先,为强化对数据内含“特征信息”的提取和流通使用,将神经网络各隐藏层的输入与之前各层输出拼接后作为本层的输入,形成密集连接模块;其次,为避免加大网络深度时出现的“退化”现象,引入残差机制,将密集连接模块的输入层与输出层相连,形成密集残差网络。最后,将密集残差网络应用于线性的单自由度系统振动模型和非线性的SEIRS模型、Logistic Volterra模型。结果表明,在规模为5 000和10 000的数据集上,密集残差网络对模型的拟合逼近效果和预测精度优于残差网络、反向传播神经网络和密集网络,特别是在非线性系统上的4项定量评价指标均优于对照模型,表现出密集残差网络对自治系统模型逼近和序列预测的高有效性;同时,在观测数据中加入5%的噪声后,密集残差网络表现出较好的抗干扰性。     

燃料电池整机的动态模型解析与响应

以１０ｋｗ、１０单元组成的顺流型溶融炭酸盐形燃料电池为对象，同时考虑到安装在隔板与电极－电解质板之间波状板的影响，建立了有关燃料电池本机的温度与电流密度动态方程式，并应用求解偏微分方程式的加权残差法对方程求解，得到了燃料电池温度与电流密度的分布与响应结果．