中国日本国公路交通安全生产法规比较

建立与国际接轨的公路交通法规和克服不良驾驶习惯，已成为当前公路交通安全生产的重要课题。分析了中国、日本国交通法规中安全相关条文的差异。借鉴日本国公路交通法规的有益经验，着重分析我国公路交通安全方面存在的问题，寻找科学的解决方法，以求建立符合国际潮流的公路交通法规。指出：需重新修订我国交通管理法规中安全生产条文使之与国际接轨、将管理区域内的交通安全状况纳入责任考核。     

水泥混凝土面板早期破坏的原因与控制及处置

我国水泥混凝土路面在使用过程中很容易出现早期断板现象，从施工、养护、使用等方面较全面地分析了水泥砼路面破坏的原因，提出了相应的防治措施。     

对体育教育专业篮球普修课教学现状的思考

通过对体育教育专业篮球普修课教学目标、教学内容、教学模式以及对学生的成绩评价进行思考和令尊，结合《全国普通高校学校体育教育本科专业课程方案》对培养目标的规定，提出了对体育教育专业篮球普修课的培养目标进行重新定位，优化教学内容、优化教学模式、优化教学手段、优化评价体系，培养出合格的21世纪体育教师。     

非对称极化散射矩阵的目标识别方法研究

本文针对单基地测量时线性目标的极化散射矩阵为非对称这一实际情况．根据散射矩阵理论将其进行了对称性修正，在此基础之上，利用本征极化作为雷达目标极化特性的表征并进一步提取了目标的极化特征，同时对五种飞机目标进行了识别实验研究，取得了良好的目标分类或识别效果。     

基本图素分类的综合判定

本文采用关于手绘图形基本图素的“角度和变量”与“最大距离”综合判定分类法,以流程图符为例,实现了手绘基本图形的在线机器识别.系统的识别率达94.0%～99.5%,无明显等待.     

自主式交通系统功能架构优化密度峰值聚类算法

自主式交通系统(autonomous transportation system, ATS)是为应对主动式智慧交通发展趋势而提出的新一代交通系统。为科学合理地构建ATS功能架构,提出了一种面向多属性文本的优化密度峰值聚类算法(density peaks clustering, DPC)。该算法结合交通系统功能架构的基本特征,通过改进的词频-逆向文档频率算法与文本向量空间模型,将多属性文本转化成空间维度坐标。再利用高斯函数和决策值优化DPC算法进行聚类,并结合轮廓系数对聚类结果进行评价。为了检验算法的合理性,在ATS道路自动驾驶场景下,基于道路载运工具运行服务域、交通基础设施管理服务域和交通安全管理服务域的功能数据集进行了算例分析,依据聚类结果绘制功能架构图。架构图由自主感知-自主学习-自主决策-自主响应4层构成,验证了ATS应用场景中功能架构优化算法的可行性和合理性。算例结果表明：该算法的构建具有鲁棒性,算例轮廓系数整体均值为0.84,与原算法相比解决了聚类过程中聚类中心难以划定的问题;与原智能交通系统中的各架构设计相比,该功能架构更具有层次性和逻辑性。该优化算法能够促进新一代交通系统...     

广西油茶产业发展现状与对策

广西油茶(Camellia oleifera)资源丰富,种植历史悠久。广西油茶产业虽然初具规模,但是还存在资源质量不高、产业链条不长、品牌建设滞后等突出问题和薄弱环节,需要进一步加大政策支持力度,推动油茶产业早日成为乡村振兴的支柱产业。     

广西香蕉产业发展现状与展望

香蕉是世界上重要的粮食作物和经济作物。香蕉生产周期短、收益高,其产业已成为广西脱贫攻坚和乡村振兴战略布局中不可多得的成熟产业。广西香蕉产业具有自然条件适宜、区位优势明显、规模化程度高、科技支撑力强等发展优势,但同时也存在着品种单一、病虫害严重、寒害频发、收获期集中、管理水平参差不齐、营销方式落后等问题。近年来广西香蕉产业经历了大起大落的发展阶段,即将迎来平稳发展期,可通过加强总体规划、合理布局,加快新品种新技术研发和市场流通体系建设等措施,不断提高香蕉产业的效益。     

联合实体边界检测的命名实体识别方法

针对传统命名实体识别方法无法有效利用实体边界信息的问题,提出一种联合实体边界检测的命名实体识别方法,即将实体边界检测作为辅助任务,增强模型对实体边界的判断能力,进而提升模型对实体的识别效果。首先,利用Bert预训练语言模型对原始文本进行特征嵌入获取词向量,并引入自注意力机制增强词对上下文信息的利用;其次,在命名实体识别任务的基础上,添加实体边界检测辅助任务,增强模型对实体边界的识别能力;再次,对比联合实体边界检测的命名实体识别方法与基线方法的有效性,并对测试结果进行消融实验;最后,进行样例分析,分析损失权重β对实体边界检测的影响。实验结果表明,在英文社交媒体数据集Twitter-2015上,联合实体边界检测的命名实体识别方法相较于基线模型取得了更高的精准率、召回率和F1值,其中F1值达到了73.57%;并且,边界检测辅助任务提升了基线方法的检测效果。所提方法能有效利用实体边界信息,从而获得更好的实体识别效果,促进了人机交互系统的发展,对自然语言处理下游任务有重要意义。     

数据驱动下交通异常行为的双层识别模型

为实现对车辆异常行为的准确识别,提高车辆行驶的安全性,提出了一种基于支持向量机(support vector machine, SVM)、监督学习与长短期记忆(long short term memory, LSTM)深度学习的交通异常驾驶行为双层识别模型。首先,对车辆轨迹数据筛除和滤波,构建异常行为数据集;其次,从异常行为轨迹特征中提取出特定异常行为的特征标签,并人为标定在训练集中;再次,构建SVM模型对训练集进行粗识别,基于SVM的二分法原理,从测试集中筛选出异常行为;最后,通过LSTM时间序列模型构建具体种类的异常行为模型,并通过深度学习的方法,从异常行为数据中细分为蛇形驾驶、急速变向、侧滑、大半径转弯、快速U型转弯、急刹车等具体的异常驾驶行为。本次实验选用下一代仿真(next generation simulation, NGSIM)数据中US-101高速公路和peachtree城市道路的数据集的轨迹数据验证SVM和LSTM双层识别模型的性能,包括均方根误差、识别准确率等。结果表明,构建的双层识别模型在第一层有98%的识别准确率,第二层有超过80%的识别准确率,可以较为准确地识...