基于MD-LBP关联方向特征的铁路隧道漏缆卡扣检测算法

全路段跟车拍摄隧道漏缆卡扣图像再进行逐张排查,是实现卡扣故障检测的重要手段.针对目前LBP、CS-LBP等相关变体算法存在描述子质量不佳、特征维度过高的问题,提出MD-LBP关联方向特征提取算法实现故障卡扣的检测工作.该算法首先对输入图像进行高斯滤波预处理,根据图像的全局灰度均值得到图像的自适应阈值;其次计算图像的三层MD-LBP特征图结构,依次经过两次下采样分别得到Cell主方向特征和Block主方向特征;然后再在Block特征图上提取关联方向特征,并以此作为描述子;最后通过SVM区分故障卡扣,完成检测工作.实验还对比了LBP、H OG等9种特征描述子的检测情况,结果表明该算法不仅特征维度低,并且检测故障卡扣的召回率和精准度都达到了85％.     

含砂雾封层在桥面铺装工程中的应用

结合含砂雾封层在国道205桥面铺装上的应用,深入分析了含砂雾封层的防水、防老化作用机理,本文系统总结了国道205桥面雾封层施工质量的控制要点,并对施工前后封层各项性能指标进行跟踪检测,分析结果表明采取含砂雾封层措施确实能对桥面早期微裂缝进行有效封水,延缓桥面病害的发生,延长沥青路面的使用寿命。     

一类奇异 Volterra 积分方程在 L^p (p ≥1) 空间中的适定性

受分数阶微分方程定性理论的启发，本文利用不动点定理研究了一类奇异Volterra积分方程在L^p（p≥1）空间中的适定性，推广改进了已有结果.特别地，Riemann-Liouville分数阶微分方程适定性问题可以作为本文结果的特例.     

基于高斯字典原子稀疏表示的高精度宽角SAR成像方法

为了提高从宽角合成孔径雷达(synthetic aperture radar, SAR)图像中提取目标后向散射各向异性特性的性能,在宽角SAR字典稀疏表示模型的基础上,提出一种基于高斯字典原子的高精度宽角SAR成像方法。在字典构造上,采用不同中心位置、相同方差的高斯函数。在求解稀疏表示系数上,采用广义最小最大凹惩罚稀疏重构算法求解。最后，根据稀疏表示系数的重构结果以及构造的字典得到目标的后向散射各向异性特性。通过仿真实验和Backhoe数据对算法进行验证,结果表明,该方法能够高精度地提取目标的后向散射各向异性特性。     

改进GA-BP神经网络在高校教学质量评价中的应用

为了提高高校教学质量评价的有效性和准确性,提出了一种基于混合智能优化算法的教学质量评价模型。引入熵值法客观地确定教学质量评价体系的指标权重及初始评价结果,利用自适应变异的遗传算法(Genetic algorithm)优化BP神经网络(Back propagation neural network)的参数,建立教学质量评价模型。实验结果表明,与BPNN(Back propagation neural network)、GA-BPNN(Genetic algorithm-back propagation neural network)模型相比,预测精度分别提高15.04%和5.41%,收敛速度明显提高,说明基于自适应变异的GA-BPNN教学质量评价模型能够及时有效地完成教学质量评价。     

基于熵值修正G1法江西省智慧旅游建设水平评价研究

文章基于熵值修正G1法对智慧旅游建设水平进行研究,构建城市智慧旅游建设水平评价指标体系和模型,对江西省11个地级市进行实证研究,结果显示,11个城市的智慧旅游建设水平整体较低,其中基础设施建设水平、经济发展水平、科技创新和硬件支撑上城市间差异较大,在智慧旅游环境支撑总体差异小,保持在较高水平。并依据评价结果对江西省11个城市分为三个类别,对每一类别城市的特点进行了分析,以期能够指导江西智慧旅游的规划建设。     

图像增强技术在古籍图书电子化中的应用

为提高古籍图书电子化的处理质量,文章以带插图的书页和具有背景干扰的书页为处理对象,使用二值化法、直方图均衡法和对比度拉伸法对书页进行图像增强处理,并使用Visual Studio 2010软件和Open CV进行实验.结果表明:带插图的古籍书页适合采用对比度拉伸法处理,带背景干扰的书页适合采用二值化法处理.     

断身边事莫失良机

在问题面前犹豫不决、徘徊不前,是我们身边的管理者时常会出现的状况     

矩形型钢弯曲回弹曲率半径r值的确定

文章在分析矩形型钢弯曲变形过程及应力与应变等方面的关系的基础上，推导出工件曲率半径与工件回弹后曲率半径之间的关系，从而确定了凸模半径。     

混沌动力学和湍流的统计理论

湍流是一个非线性复杂大系统,精细地研究其奇异吸引子的几何结构和动力学行为是不可能和不必要的,必须进行统计研究。湍流具有结构这一发现并不否定统计研究的必要性和合理性。混沌动力学为在更高层次上发展湍流统计理论奠定了基础。