【摘 要】
：
初始地应力场是地下工程设计与施工的重要依据，在实际工程中难以精准测得，为了能较准确地获得初始地应力场的分布规律，提出将免疫算法与BP神经网络相结合（IA-BP）的算法对初始地应力场进行反演研究。免疫算法优化BP神经网络就是将BP神经网络的连接权值和阈值作为免疫算法中的抗体进行编码。该混合算法既可以利用免疫算法全局寻优的特点快速搜索到全局最优解或次优解附近，又可以采用BP算法去避免在最优解和次优解附
论文部分内容阅读
初始地应力场是地下工程设计与施工的重要依据，在实际工程中难以精准测得，为了能较准确地获得初始地应力场的分布规律，提出将免疫算法与BP神经网络相结合（IA-BP）的算法对初始地应力场进行反演研究。免疫算法优化BP神经网络就是将BP神经网络的连接权值和阈值作为免疫算法中的抗体进行编码。该混合算法既可以利用免疫算法全局寻优的特点快速搜索到全局最优解或次优解附近，又可以采用BP算法去避免在最优解和次优解附近发生震荡，对其进行局部优化，从而达到快速收敛全局最优解的目的。通过COMSOL分别构建平面边坡模型及三
其他文献
基于生成对抗网络的数据生成方法在许多领域得到了广泛的运用，然而却极少用于基因数据生成，由于基因结构变异在大规模基因数据中属于小样本事件，造成基因结构变异检测精度差，假阳性率高等问题，提出基因图像数据扩增模型GeneGAN，用于增强基因结构变异样本数量，提高卷积网络识别基因结构变异的精度。首先，利用Reads堆叠方法生成初始基因图像数据，将变异基因图像数据与非变异基因图像数据分为两个数据集，为了平衡
针对输电线路传输距离长、覆盖范围广、容易受到自然环境和人为因素影响等给输电线路的运行和维护带来了困难，结合VR技术和GIS技术的优势，提出了一种基于GIS技术和VR技术的输电线路巡检可视化系统。重点研究了输电线路故障检测方法，以无人机采集输电线路图像为主，通过建立输电线路故障识别与检测的网络模型，实现故障部件的智能检测。并通过实验验证了模型的准确性。结果表明，该模型能够有效地检测出输电线路中的常见
在全球导航卫星系统（Global Navigation Satellite System， GNSS）不可用情况下，低地球轨道（Low Earth Orbit， LEO）卫星机会信号定位技术是一种有效导航定位解决方案。当前单LEO星座机会信号定位技术面临星座构型不足或可见卫星偏少等问题，多LEO星座融合定位技术可有效解决该问题。通过分析瞬时多普勒定位原理，建立了Iridium/ORBCOMM机会信
针对无监督行人重识别跨域迁移时性能严重衰退问题，提出一种基于注意力机制学习域内变化的跨域行人重识别方法。首先以Res Net50为基础架构并进行调整使其适合行人重识别任务，并引入IBN-Net(Instance-Batch Normalization Networks)以提高模型的泛化能力，同时增加区域注意力分支以提取更具鉴别性的行人特征。对于源域的训练，将其作为分类任务，使用交叉熵损失进行源域的
针对昆明市缺乏较好区域气候舒适度预测模型，气象指标预测方法性能不佳的问题，结合长短期记忆(LSTM)网络的时间序列预测方面和前馈神经网络(FNN)的数据整合以及增强相关性的优势，提出一种基于LSTM-FNN模型的昆明市气候舒适度相关气象指标预测方法；并根据适宜旅游区域随季节变化而变化的特点，提出了季节划分下的气候舒适度相关气象指标预测方法。利用昆明市气象站1981—2010年共30年的平均数据，构
针对低采样率下分块压缩感知重建图像视觉效果不佳的问题,提出一种融合空间位置与结构信息的压缩感知图像重建方法。首先,对观测值进行线性映射得到图像块的初步估计值;然后,基于块分组重建支路和全图重建支路对图像的空间位置信息和结构信息进行提取、增强和融合;最后,通过加权策略融合双支路的输出得到最终重建全图。在块分组重建支路中,根据图像块的数据特点分配重建资源。在全图重建支路中,主要通过双边滤波和结构特征交
率失真优化是视频编码器中一项关键的技术，然而当前广泛采用的独立率失真优化远未达到全局最优性能。为了进一步提升高效视频编码(HEVC)的压缩性能，提出了一种结合率失真依赖性和率失真特性的二次编码优化算法。首先，采用原始HEVC的方法对当前帧进行第一次编码，从而得到当前帧消耗的比特数和每个编码树(CTU)单元的率失真模型参数；然后，结合时域依赖率失真优化，根据当前帧比特预算和率失真模型参数计算每个CT
传统关于偏好推理、偏好查询的研究主要集中在对关系元组表示的单个对象的偏好上，而将时间条件偏好查询的方法扩展到数据流的提取序列中是一个挑战，遇到的问题主要包括对数据流中序列的提取、快速处理以得到占优序列和占优对象等。针对偏好数据流，首先，扩展了连续查询语言（Continuous Query Language,CQL），提出专门为有效处理数据流上的时间条件偏好查询语言StreamSeq，它允许对数据流
高准确率的资源负载预测能够为实时任务调度提供依据，从而降低能源消耗。但是，针对资源负载的时间序列的预测模型，大多是通过提取时间序列的长时序依赖特性来进行短期或者长期预测，从而忽略了时间序列中的短时序依赖特性。为了更好地对资源负载进行长期预测，提出一种基于长-短时序特征融合的边缘计算资源负载预测方法。该方法先利用格拉姆角场(GAF)将时间序列转变为图像格式数据，以便利用卷积神经网络来提取特征，并通过
针对基于机器视觉的牛体尺测量方法中测量背景复杂、特征点提取的难度大的问题，提出了一种基于Kinectv4传感器的牛体尺测量方法，采集彩色和深度图像，结合目标检测、Canny边缘检测、三点圆弧曲率等算法提取体征特征点进而计算体尺数据。首先,制作了牛体尺特征部位图像数据集，利用深度学习YOLOv5(You Only Look Once v5)目标检测算法检测牛体尺特征部位信息，减少牛体其他部位和背景对