基于Kalman滤波的组合预测模型在建筑物变形监测中的应用

根据建筑物沉降监测数据的特点,结合Kalman滤波算法、BP神经网络模型以及AR自回归模型在数据降噪、数据预测中的优势,提出并构建了一种新的基于Kalman滤波的BP-AR沉降预测模型。该组合预测模型实现建筑物变形预测的主要步骤为:首先,通过Kalman滤波算法对原始观测数据进行降噪,消除随机噪声误差对观测数据的影响;其次,通过BP神经网络模型对降噪后序列进行建模与预测;最后使用AR模型对预测残差进行建模与预测。通过实际建筑物沉降监测数据对本文提出的组合预测模型进行验证,结果表明相较于BP神经网络模型与BP-AR模型,本文提出的组合预测模型的预测精度更高,有效降低了噪声影响,具有较高的优越性。

基于随机场理论的顶管隧道施工地表变形特性分析

针对顶管施工引发的地表变形问题,采用基于高斯型自相关函数和Karhunen-Loeve(KL)级数展开法的随机场理论,考虑地层参数的空间变异性及自相关性,建立三维数值模型中土体参数的随机模拟方法。结合具体顶管施工案例,分析地表纵向及横向变形规律,并与现场实测结果进行对比验证计算方法的可靠性。研究地层土体摩擦角、黏聚力、弹性模量的变异性、相关距离和变异系数对地表变形的影响规律。研究结果表明:与确定性数值模拟相比,随机模拟方法在分析顶管施工地表变形时具有更好的适用性;三维随机场较二维随机场更能够反映3个维度的空间变异性和顶管顶进的空间效应,得到不同顶进距离下各断面地表变形超出控制值的概率;弹性模量的空间变异性对地表变形随机曲线的离散程度和包络范围有较大影响,但不改变变形趋势和规律;变异系数和相关距离对随机曲线的离散程度有较大影响。

《汽车保险与理赔》课程思政教学改革实施研究

当前高职院校教师在专业课程融入思政理念的过程中,在专业课程教学内容中生搬硬套、牵强附会地插入一些有关思政教育的说教,是普遍存在一个问题,从效果上来说,这种做法既缺乏说服力,还影响授课内容的逻辑连贯性。因此,专业课程思政教学改革的一个关键问题是在专业课程教学中将知识技能与价值观培养的传授进行有机的统一。《汽车保险与理赔》课程是汽车检测与维修技术专业拓展课程。若要提升学生对社会主义核心价值观的认同感,则需从基于工作过程中的专业知识和技能中提炼所蕴含的思政元素,立德树人的教育目的则将以润物细无声的方式来达到。本文以此课程为研究对象,通过对教师思政修养的提高、课程育人目标的明确、明确思政教育的主要融入点、对教学内容的修整、对教学方法的创新、革新考核标准等方式,在专业课程的教学之中有机的融入思想政治教育展开研究分析。

采用决策树算法进行居民地自动综合

借鉴人工智能领域中的机器学习研究成果,提出一种采用决策树算法进行居民地智能选取的新方法。将制图专家对居民地综合的结果作为参照,对其进行结构化描述并构建和转化为案例库;采用决策树算法对案例库中的案例进行分类,把制图综合问题转化为分类问题,从案例库中归纳出if-then规则,进而指导同类居民地的自动综合。试验验证,算法能够较好地还原专家的选取规律,在同类型的居民地自动综合试验中取得了良好的效果。

随机场对比奥固结沉降的影响

采用随机场的局部平均理论分析邓肯–张本构模型中对比奥固结沉降影响最显著的参数k,探讨岩土参数随机场对固结沉降的影响规律。用均值、标准差和自相关距离描述参数的随机特性,将随机计算结果进行统计分析并与传统的有限元解对比分析。发现参数的变异性和相关距离对固结沉降的均值影响不大,而对标准差的影响较大,随着变异性和自相关距离的增大,固结沉降的标准差增大,当自相关距离趋于无穷大即为随机变量时所引起的固结沉降标准差最大。

利用ANSYS进行高路堤自身沉降变形分析

由于我国西部地形、地势及地质条件复杂,高填深挖路基结构型式不可避免.如何控制好高路堤的沉降变形,已引起工程界普遍关注.对于地基沉降计算,目前已有大量研究,但对于高路堤填料的自身沉降计算,进行的研究较少,尚没有完善的理论计算方法.为此,利用ANSYS有限元分析软件对高路堤填料的自身沉降进行计算和分析.

一种变步长CMAC的沉降NARMAX模型

为了提高氧化铝生产质量和降低能耗,分析了氧化铝沉降工艺中影响沉降过程的各种因素,采用小脑模型神经网络(CMAC)系统辨识的方法建立沉降系统的带外部输入的自回归滑移模型(ARMAX)。针对CMAC收敛性存在的问题,提出了基于变步长小脑模型神经网络(CMAC)算法,通过双曲正割函数优化学习步长,提高了小脑模型神经网络算法的收敛速度和计算精度,进而优化了沉降槽密度ARMAX模型。仿真实验表明,该算法的ARMAX模型可以对沉降过程中的槽内密度进行准确识别,指导氧化铝的沉降生产操作。

一种混合粒子群优化的沉降ARMAX模型

为了提高氧化铝生产质量和降低能耗,分析了氧化铝沉降工艺中影响沉降过程的各种因素,采用系统辨识的方法建立沉降系统的带外部输入的自回归滑移ARMAX模型。为此提出了基于二阶混沌的混合粒子群算法,解决了粒子群算法容易早熟以及全局寻优效率偏低等问题,进而建立了基于二阶混沌的混合粒子群优化算法的沉降槽密度ARMAX模型。仿真实验表明,该混合粒子群算法的ARMAX模型可以对沉降过程中的槽内密度进行准确识别,指导氧化铝的沉降生产操作。

汽车消费贷款保证保险合同的性质及责任承担

我国的保证保险业务的开展起步较晚,在目前的发展中出现了大量的纠纷,其中以汽车消费贷款保证保险合同最为典型,已经对该业务的发展构成了严重威胁。通过对保证保险的性质进行分析和界定,总结我国汽车消费贷款保证保险业务中出现的各种纠纷案件以及司法实践中对纠纷处理的不同结果,针对现存的法律难点问题对其产生的主要原因进行探讨,才能对汽车消费贷款保证保险纠纷的合理解决在立法与司法层面上提出参考性对策。

GM-ARMA-BP组合模型在建筑物沉降预测中的应用

针对建筑物变形监测中的沉降预测问题,本文结合灰色模型、时间序列模型和BP神经网络模型的优点,提出了GM-ARMA-BP组合模型进行沉降预测的方法,有效克服了单一模型稳定性差的缺点,并以某高层建筑沉降观测数据为样本,通过对这几种模型的沉降预测结果进行比较分析,结果表明:GM-ARMA-BP组合模型预测效果最好,精度较单一模型提高50%以上,并且具有一定的适用性。

空气质量自动监测校准系统中存在的问题及解决办法

针对目前国内环境空气质量自动监测(干法)校准系统中存在的一些问题,提出相应的解决办法。

中国对WTO争端解决之态度演变及问题分析

中国自"入世"以来参与WTO争端解决机制大致经历了从妥协调和,到敢于应战,最终主动起诉的发展历程。在这一进程中,不断学习和丰富经验是前进的基础,但也存在政府与民间力量缺乏合作机制、执行裁决技巧不足、人才匮乏等问题,这些问题的解决需要借鉴国外的有益做法。

铁路商品汽车全程物流管理的探讨

随着铁路商品汽车运量逐年增长和物流服务模式的发展变化,铁路商品汽车全程物流收入和成本不断提高。为提升铁路商品汽车物流管理水平及效益,在阐述铁路商品汽车全程物流管理模式,全程物流收入、成本结构和资金流程的基础上,针对全程物流管理中存在的垫付货票资金压力较大、物流费成本测算不够精确、费用结算信息化水平不高、铁路运输空车付费较高、两端配送质量有待提高等问题,提出灵活运用运价政策、合理测算物流费成本、加强信息系统建设、创新运输组织模式、提高两端配送质量等物流管理对策,为进一步提高铁路市场竞争力和经济效益,打造铁路商品汽车物流品牌提供参考。

时间序列AR模型的正则化及其应用

基于正则化理论,通过添加一个正则化因子,构造了一个正则化时间序列模型.算例分析表明,新的正则化时间序列分析模型可改善时间序列分析模型中信息矩阵的病态程度,避免时间序列分析模型产生的不适定性,在一定程度上起到了稳定所求参数的作用.

基于岗位能力需求导向的《汽车保险与理赔》课程教学改革与实践

本着以学生为本的教育理念和立德树人的根本任务,汽车保险与理赔课程团队通过问卷、现场走访等形式对相关企业进行调研,结合调研情况和课程特点,基于岗位能力需求,对接职业标准,聚焦车险新政,从课程内容、教学模式和考核评价三方面进行课程创新设计,形成具有推广意义的专业课程设计思路,能有效提升教师课程设计的能力。教学团队利用改革后的课程在省级教学能力大赛中获得一等奖。

一种新型自动电测式分层沉降仪的研究

真空预压过程中地基土体各土层的沉降量是检验软土加固效果的重要指标之一,目前使用磁性分层沉降仪来测定。本文介绍一种新型自动电测式分层沉降仪的组成和工作原理,安装简单,使用简捷,可以实现自动无人监测,抗干扰强,数据稳定。

基于小波分解的差分灰色神经网络-AR模型及其在地铁隧道沉降预测中应用研究

提出了一种基于小波分解的差分灰色神经网络-AR模型。该方法利用小波分解,将监测数据中稳定性较好的低频序列利用差分灰色神经网络进行预测,消除了由于灰色预测残差不平稳而导致的预测误差;对呈现平稳序列的高频数据采用自相关强的AR时间序列模型进行预测,并对上述结果进行小波重构得到最终的预测结果。结合某地铁隧道的实测沉降数据,与灰色模型GM(1,1)、差分灰色神经网络模型进行对比,结果表明:本文提出的基于小波分解的差分灰色神经网络-AR模型精度更高,能够对隧道沉降监测作出更加准确的模拟和预报。

自动补脂装置在氯碱化工设备上的应用

介绍了自动补脂装置在离心机等设备中的应用情况。在设备上加装自动补脂装置可以节约润滑脂、改善环境、节约人工、延长轴承的使用寿命、确保设备运转的可靠性、提高经济性。

小波分析法高铁沉降变形预测

针对传统高速铁路沉降变形预测模型未对观测数据采取合适方法进行预处理,从而导致变形量被误差所污染的问题,该文提出了利用小波分析对监测序列进行去噪处理后,再运用自回归模型进行建模预测变形量。通过高铁实测数据验证得出,采用小波去噪后利用自回归模型建模预测的精度更高,更符合实际情况,便于实时掌握高铁变形规律,并进行合理决策。

基于小波去噪的自回归滑动平均模型在地铁隧道地表沉降预报中的应用

利用小波分析对地表沉降监测数据进行去噪处理,再使用传统的自回归滑动平均模型（auto-regressive and moving average model,ARMA）对去噪后的序列进行建模预报。以青岛市地铁3号线某条观测线实测数据为例,分别采用传统ARMA模型和基于小波去噪的ARMA模型进行了预报对比分析,结果表明基于小波去噪的ARMA模型取得了较高的预报精度。