桩-钢支撑支护基坑颗粒流数值模拟分析

针对桩-钢支撑支护形式的基坑工程,应用基于离散元理论的颗粒流软件PFC2D建立桩-钢支撑支护基坑颗粒流数值模型,对比分析有钢支撑和无钢支撑支护基坑开挖过程桩体水平位移、坑底隆起和接触力变化规律。结果表明:在有钢支撑支护的情况下,基坑开挖过程中桩体水平位移远小于无钢支撑支护的桩体水平位移;在基坑开挖过程中,第2、 3道钢支撑起到了主要作用。     

多任务深度卷积网络的CT图像方向校正

针对医学电子计算机断层扫描(CT)图像方向校正问题,提出一种并行卷积回归(PCRN)多任务深度学习网络.通过侧旋角度正回归和翻转概率逻辑回归,求得校正参数来精准地校正图像.进一步,针对医学图像训练样本稀缺的情况,提出一种串行回归(SCRN)的深度学习架构,弥补并行卷积回归网络在小样本情况下校正精度不足的问题.实验结果表明:在样本充分,并行卷积回归网络和样本稀缺情况下,串行卷积回归网络对小角度偏转、大角度偏转和翻转的腹部CT图像校正结果都优于传统的配准方法.     

基于DenseNet的图像识别方法研究

在深度学习中,随着神经网络层数的加深,训练网络变得越来越困难,现有的浅层的网络无法明显提升网络的识别效果。针对在原有网络的情况下提升网络识别效果,减少参数的问题,本文提出一种改进的DenseNet网络模型,借鉴Inception V3的思想,利用非对称卷积将DenseNet网络中Dense Block层所包含的3×3卷积分解成3×1和1×3的两个卷积,简化网络结构模型。之后再对改进前与改进后的网络模型在数据集上进行训练,实验结果表明,与经典的DenseNet网络模型相比,改进后的网络模型可以提高图像识别的准确性,降低参数,有效地缩短运行时间。     

基于云雾结合的工件深度学习识别问题研究

统工业自动分拣存在工件识别准确率不高、特征定义复杂等问题,虽然新兴的深度学习为此类问题提供了较好的解决方法,但仍存在对边缘端设备计算能力要求较高的问题,为此本文提出一种基于云雾结合的工件识别算法,即在云端采用改进ALEXNET卷积神经网络进行训练,然后将训练好的模型下载到雾(边缘)端设备,对工件进行实时识别.对100个不同工件进行实验,结果表明:改进后识别准确率从ALEXNET的98%提高到99%,模型参数减少25%,同时可以充分利用云端的强大计算能力与边缘设备的实时性,为智能工件识别提供了一种新途径.     

基于多任务深度学习的文本情感原因分析

多任务学习利用不同任务之间的相似性辅助决策,与单任务学习相比,多任务学习能够利用更多的信息,从而可以弥补单任务学习信息利用不足的缺陷。本文选择NTCIR-ECA数据集中的中文和英文文本数据作为实验数据,以情感原因分析作为研究任务,提出了一种结合多任务学习和深度学习的模型MTDLM(multi-task deep learning model),实现不同语种下的情感原因分析。实验结果表明,在数据不平衡的情况下,MTDLM模型对英文语种的情感原因识别的最优F值为39%,优于单任务学习(F值为0)和传统基线模型(LR的F值为33%),从而验证了模型的有效性。     

板蓝根多糖对缺乳仔鼠十二指肠形态学的影响

为研究板蓝根多糖对缺乳仔鼠肠道形态的影响,将刚出生的仔鼠,根据不同处理方法分为4组:对照组不做处理,正常饲养;其余3组每天分别灌注0.9%生理盐水、20 mg/kg板蓝根多糖、40 mg/kg板蓝根多糖.在仔鼠0、7、14、21、28日龄时分别取样.通过大体解剖技术、常规石蜡切片、HE染色等方法,经Moticom成像系统测量不同组别仔鼠十二指肠的绒毛长度和隐窝深度,计算V/C值.结果显示:0～21日龄仔鼠使用中浓度板蓝根多糖灌胃可以使其十二指肠绒毛长度显著性增长,隐窝深度降低,V/C值增大;21～28日龄仔鼠高浓度板蓝根多糖灌胃可使其十二指肠绒毛长度显著性增长,隐窝深度降低,V/C值增大;对照组和0.9%生理盐水灌胃组十二指肠的绒毛长度和隐窝深度变化不大,V/C值亦无明显增大.可得结语,板蓝根多糖可以促进缺初乳仔鼠小肠形态发育,使其十二指肠绒毛长度显著性增长,隐窝深度降低,V/C值增大,且板蓝根多糖对缺初乳仔鼠小肠形态发育的促进作用随其日龄增加而增加.     

软土基坑中深层位移监测技术及误差的分析

阐述了测斜技术原理、测斜管埋设方式、位移量测数据及误差处理方法;用有限元模拟分析了在软土基坑中,将测斜管埋设于基坑边土体和支护桩内等位置时的变形变化,经与实测测斜曲线的拟合,揭示出测斜管所埋设的介质弹性模量对位移测量精度有一定的影响,并给出了修正建议。