基于SA-ELM的爆破震动速度预测

针对爆破震动速度与其影响因素之间的复杂非线性,结合模拟退火算法(SA)的全局寻优性,提出了一种新的SA-ELM算法.以矿山周边建筑物爆破震动实测数据作为训练样本,选取总药量、最大段药量、测点与爆破点距离、地面震动特性、建筑物震动特性等8个影响因素作为输入变量,建立了爆破震动速度预测的SA-ELM模型.模型训练值和预测值与实测值的均方误差(MSE)分别为0.20和3.26,平均相对误差控制在5％以内,显示出该模型具有良好的训练精度和泛化能力.对比传统ELM模型,SA-ELM模型不但提高了精度和泛化能力,而且降低了隐层节点数变化对训练结果的影响,提高了模型的稳定性.     

基于CDIO的高职市场营销专业教学模式创新与实践研究

在市场营销专业教学中,通过借鉴CDIO教学理念,建立三系统、四模块教学体系,制定基于项目的"做中学"的教学内容,采用行为导向的六步教学法引导学生主动学习,通过多元化方式进行评价,加强机制建设与教学团队建设。     

Boosted Regression Tree Models to Explain Watershed Nutrient Concentrations and Biological Condition

Boosted regression tree (BRT) models were developed to quantify the nonlinear relationships between landscape variables and nutrient concentrations in a mesoscale mixed land cover watershed during base‐flow conditions. Factors that affect instream biological components, based on the Index of Biotic Integrity (IBI), were also analyzed. Seasonal BRT models at two spatial scales (watershed and riparian buffered area [RBA]) for nitrite‐nitrate (NO₂‐NO₃), total Kjeldahl nitrogen, and total phosphorus (TP) and annual models for the IBI score were developed. Two primary factors — location within the watershed (i.e., geographic position, stream order, and distance to a downstream confluence) and percentage of urban land cover (both scales) — emerged as important predictor variables. Latitude and longitude interacted with other factors to explain the variability in summer NO₂‐NO₃ concentrations and IBI scores. BRT results also suggested that location might be associated with indicators of sources (e.g., land cover), runoff potential (e.g., soil and topographic factors), and processes not easily represented by spatial data indicators. Runoff indicators (e.g., Hydrological Soil Group D and Topographic Wetness Indices) explained a substantial portion of the variability in nutrient concentrations as did point sources for TP in the summer months. The results from our BRT approach can help prioritize areas for nutrient management in mixed‐use and heavily impacted watersheds.     

INVESTMENT SEQUENCING RECOGNIZING EXTERNALITIES IN WATER DESALTING1

ABSTRACT. The failure to recognize the learning process in new technologies such as desalting may lead to incorrect water resource investment decisions for two reasons. First, to neglect cost reductions stemming from “learning by doing” implies an overestimation of desalting costs. Second, since learning in a particular plant may result in external (learning) benefits to other plants, these may serve as the basis for a subsidy intended to internalize such benefits. Accordingly, the research reported below includes an estimation of learning functions for desalting and the results of a formulation designed to measure external benefits on the basis of these learning functions. These results are then incorporated into a decision framework for water resource investments which recognizes uncertainty in determining optimal timing of desalting construction.     

基于SVR的含缺陷管道剩余强度研究

针对采用标准预测含缺陷管道剩余强度误差较大这一问题,在Matlab中建立基于SVR的含缺陷管道剩余强度预测模型,并基于60组含缺陷管道爆破试验数据进行训练测试,以验证模型的实际性能.结果表明:SVR模型预测测试集结果的最小相对误差为0.55％,最大相对误差为10.35％,平均相对误差为2.63％,预测结果的R2高达0....     

YOLOv4目标检测算法在煤矿工人口罩佩戴监测工作中的应用研究*

为防止煤矿工人吸入过量粉尘而导致职业性尘肺病,基于Keras框架利用YOLOv4 (you only look once)目标检测算法对井下人员佩戴防尘口罩情况进行高精度且快速的检测与识别,并与MTCNN(Multi-task convolutional neural network)和FaceNet构成的人脸识别算法相结合,进行煤矿工人口罩佩戴监测的研究。结果表明:模型对井下人员口罩佩戴有较高的检测精度,识别已佩戴口罩的矿井下作业人员的平均精度达到92.78%,识别未佩戴防尘口罩检测的平均精度为91.63%,与其他主流算法相比算法具有更好的鲁棒性和检测效果。研究结果为预防煤矿工人职业性尘肺病提供1种有效的技术手段。     

基于卷积神经网络的冲击地压预警方法研究*

为探究深度学习在冲击地压预警方面的应用前景,以新疆某冲击地压矿井为研究背景,将深度学习和专家评判运用到微震数据分析中,基于卷积神经网络构建冲击地压预警模型。充分利用一维卷积神经网络对时序数据有较强特征提取能力的优势,以微震数据及其特征参数作为输入,以专家评判值作为标签,借助Python-Keras框架实现冲击地压预警模型的构建和训练。研究结果表明:模型预警效果并不随着训练迭代次数的增加而逐渐最优,存在最优迭代次数,对于所建模型当迭代次数为30时测试集的冲击危险预测结果与专家评判结果基本吻合,同时说明模型可以较好地学习专家评判经验实现冲击地压预警。研究表明所建模型对研究时段内发生的5次大能量矿震事件均进行预警,其准确度较高,具有现场实际应用价值。     

基于视频分析的空管员违规行为识别方法*

为利用视频数据对空管员违规行为进行智能化分析,降低不安全事件发生率,提出2阶段的违规行为识别模型（AR-ResNeXt）,基于实地调研构建空管员视频数据集,利用最小化动态多实例学习损失函数和中心损失函数,获得违规行为检测的判别特征表示,结合异常回归网络和ResNeXt网络,完成对空管员违规行为的时序区间检测与动作分类。研究结果表明:AR-ResNeXt模型在自制数据集中,其帧级AUC达到82.9%,分类准确率达到87.8%,可准确识别空管员发生违规行为的时序区间并进行分类,研究结果可为保障空中交通安全奠定基础。     

基于深度学习的工程结构损伤识别研究进展

为避免或减轻工程结构在建造和运营期间因结构振动产生不同程度损伤,造成安全隐患危及人们生命财产安全,针对结构振动损伤识别技术展开研究,探讨不同深度学习方法发展情况及其利弊,寻找更具可行性的损伤识别方法,并对其最新研究及应用现状进行全面综述。研究结果表明:应用深度学习开发新的结构损伤识别技术,无需冗余的数据预处理以及手工提取损伤特征,实现以较高精度实现损伤识别任务;一维卷积神经网络（1D-CNN）以其独特的应用优势,在数据样本有限条件下较二维卷积神经网络（2D-CNN）表现更为出色。研究结果可为数据驱动的结构损伤识别问题提供新思路,进一步完善土木结构健康监测研究体系。     

邻苯二甲酸二丁酯影响阿尔茨海默病大鼠学习记忆能力的分子机制研究

为探究邻苯二甲酸二丁酯（DBP）影响阿尔茨海默病（AD）大鼠学习记忆能力的分子机制,将56只SPF级5~6周龄雌性Wistar大鼠随机平均分为7组：阴性对照组、0.25 mg·kg^-1·d^-1 DBP组、2.5 mg·kg^-1·d^-1 DBP组、25 mg·kg^-1·d^-1 DBP组、250 mg·kg^-1·d^-1 DBP组、AD模型组和AD+25 mg·kg^-1·d^-1 DBP组.连续灌胃处理28 d,观察Morris水迷宫结果,检测脑海马组织中活性氧（ROS）、还原型谷胱甘肽（GSH）、丙二醛（MDA）、8-羟基脱氧鸟苷（8-OHdG）的含量;采用实时荧光定量PCR （qPCR）检测Bcl-2、Bax和Caspase-3 mRNA的转录水平;通过免疫印迹试验（Western blot）检测Bcl-2、Bax和Caspase-3的蛋白表达水平.结果表明,与阴性对照组相比,不同染毒组、DBP组大鼠的学习记忆能力下降,氧化应激水平上升,且随DBP染毒浓度升高而加剧（p<0.05,p<0.01）;AD+25 mg·kg^-1·d^-1 DBP组较AD模型组大鼠的学习记忆能力损伤加剧,氧化应激水平和Bcl-2/Bax/Caspase-3信号通路上调,差异具有统计学意义（p<0.05）.由此推测,DBP可通过氧化应激作用,上调Bcl-2/Bax/Caspase-3信号通路,加剧AD大鼠海马组织的损伤,导致学习记忆能力下降.本文通过DBP影响AD大鼠学习记忆能力的分子机制研究,揭示了氧化应激对凋亡信号通路的作用,并为进一步研究DBP的毒性提供了理论和数据依据.