岩土材料的微观结构和微观力学（英文）

岩土材料（如黏土、砂土、岩石和混凝土等）在颗粒尺度上均具有独特且明显的微观结构（如组构、粒径、颗粒形状、矿物组成、接触模式和内部孔隙等）。这些颗粒尺度的微观结构较难直接观察,但对岩土材料的宏观物理力学行为（如剪切强度、压缩性和渗透性等）有着显著的影响。近年来,各种新型岩土工程材料（如纤维增强土和生物加固土）表现出更加复杂的微观结构。岩土材料微观结构对材料工程性质的影响促使人们采用更加先进的理论、实验和数值方法对其进行探索,从而大大加深了人们对宏微观力学的认识与理解。为分享岩土材料微观结构和微观力学的最新研究进展,本专辑收集了在该研究领域具有代表性的研究成果,涵盖了颗粒-颗粒和颗粒-流体相互作用、X射线计算机断层扫描观测技术及其应用、颗粒破碎和颗粒形状的影响、岩石裂隙扩展等方面。希望本专辑能加强读者对各个研究领域的理解,并进一步推动多场多尺度问题的应用和发展。     

基于深度信念网络的入侵检测模型（英文）

研究了入侵检测系统中海量数据分类的问题.讨论了深度信念网络(DBN)的原理,提出了基于DBN的入侵检测模型.DBN由多层无监督的限制玻尔兹曼机(RBM)网络和一层有监督的反向传播(BP)网络构成.该入侵检测模型采用一种快速、贪婪的方法对DBN网络进行预训练,利用对比分歧算法逐层训练每一个RBM网络;然后,利用有监督的BP算法对整个DBN网络进行微调,并同时对RBM网络输出的低维特征进行入侵数据分类.基于KDD CUP 1999数据集的实验结果表明,使用3层以上的DBN模型分类效果优于自组织映射和神经网络方法.因此,DBN是一种有效且适用于高维特征空间的入侵检测方法.     

基于深度信念网络的钢桁架桥梁损伤识别（英文）

为了提高结构损伤识别方法的精度和抗噪性,基于深度信念网络提出了一种桥梁损伤识别方法.首先,将桥梁前5阶不完全的模态数据作为输入数据,将结构的损伤位置以及损伤程度作为输出向量,建立模态振型与结构损伤的非线性映射关系;然后,采用逐层预训练的方式对深度信念网络的隐含层进行训练;最后,利用反向传播算法进行微调,从而优化网络.基于钢桁架桥梁的数值模拟结果表明,在噪声以及建模不确定性的影响下,相较于传统的基于人工神经网络的损伤识别方法,基于深度信念网络的损伤识别方法可以更为精确地识别损伤位置和程度.     

评估桥梁结构能量扩散的基于深度学习的信号处理方法（英文）

目的:1.使用基于振动的损伤检测方法进行结构健康监测。2.基于材料力学性能评价提出一种新的结构健康监测方法。创新点:1.通过一个被称为损失函数(LF)的新指标描述材料粘弹性参数与振动参数之间的相关性。2.使用卷积神经网络(CNN)提取自动特征和损坏敏感性,以评估结构状况。方法:1.测量真实桥梁的振动响应。2.在频域中进行信号处理以揭示振动能量损失。3.基于深度学习和CNN对桥梁状况进行分类。结论:1.在真实结构中总是会发生能量扩散。2.基于振动能量损失变化的LF评估,可以对桥梁进行健康监测。3.基于深度学习的能量扩散评估是可实现的,并且在多个实际桥梁中具有较高的可实施性。     

基于广义Bayes理论地基参数的Powell反演力学模型（英文）

目的:通过Powell优化反演方法建立Winkler地基参数的反演力学模型,获得地基参数的稳定数值解。创新点:根据Bayes理论,推导广义Bayes目标函数;利用Fourier变换,推求Winkler地基上简支板的Fourier闭式解,建立地基参数的反演力学模型。方法:1.根据Bayes理论,推导广义Bayes目标函数(公式(4))及地基参数的广义Bayes均值和方差表达式(公式(9)和(11));2.引入Mindlin理论,推导Winkler地基上板的控制微分方程,推求Winkler地基上简支板的Fourier闭式解;3.提出步长的一维自动寻优方案,结合Powell优化方法建立Winkler地基参数的广义Bayes反演力学模型。结论:1.地基参数的反演迭代过程稳定收敛于参数真值;2.与Kalman滤波方法和共轭梯度法不同,Powell优化方法的迭代过程不涉及目标函数的偏导数计算;3.广义Bayes目标函数能同时考虑不同测量点和不同测量次数的位移实测资料,计算效率更高。     

隐性学习和显性学习简述（英文）

显性学习和隐性学习是人类学习的必然途径,在二语习得领域有重要的作用。所以分清二者的本质是很有必要的。最近的关于二者的研究集中在语法问题能否被隐形习得,成人学习者能否通过隐性学习来进行知识的获得,隐性知识对于阅读有什么促进作用。综而言之,很难划分二者的界限。笔者将给予很细致的文献综述以供以后读者参阅。     

基于现场试验的复垦地层灌注桩侧摩阻力的深度学习评价方法（英文）

目的:基于极限平衡理论和诸多简化原则的经验公式方法难以适用于复杂的复垦地层中灌注桩的侧摩阻力计算。本文旨在探讨复垦地层中灌注桩在静力加载条件下的侧摩阻力发展规律和特性,并应用深度学习方法,以提高灌注桩侧摩阻力的预测精度。创新点:1.设计现场试验,研究近海复垦地层中灌注桩的承载能力特性;2.建立深度学习预测模型,高精度预测工作荷载下灌注桩的轴力和侧摩阻力。方法:1.通过实验分析,探明复垦地层中不同土层与桩体的相互作用和桩体侧摩阻力的发展规律;2.通过理论计算,指出经验方法在复垦地层灌注桩承载力计算中的缺陷和不足;3.通过序列化的人工智能方法建模,利用土体物理力学参数和桩身试验实测数据,对比验证深度学习方法的精度和计算效率。结论:1.灌注桩适用于复垦地层,能够为基础设施提供足够的承载力;2.经验方法对灌注桩中部桩体的极限侧摩阻力估计良好,而对地层条件较差的桩身两端的估计则存在较大偏差;3.深度学习方法能够综合考虑地层和桩体的相互作用,并且能精确预测在不同工作荷载和极限荷载下的侧摩阻力和桩身轴力,因而适用性更广。     

基于机器学习算法估算根系土体特性的时空响应（英文）

目的:在绿色岩土工程中,浅层土体特性通常受到当地气候和覆盖植被的影响。本文旨在探讨自然环境条件下不同植物和大气因素(与树的距离、空气湿度和距离地表的深度等)与土体基质吸力的关系,通过一种机器学习方法建立简化的统计模型,并对浅层根系土体中基质吸力的时空变化进行估算和预测。创新点:1.通过一种机器学习方法(即遗传编程算法)建立土体基质吸力和五个选定的影响因素之间的关系;2.根据建立的统计模型,有效地预测了根系土体内基质吸力的时空变化。方法:1.通过现场监测实验(图3和4),量化土体基质吸力和不同影响参数随时间的变化(图5和6);2.通过机器学习算法,构建土体基质吸力的时空变化与五个选定的影响参数之间的关系,得到一个简化的统计模型(公式(11));3.通过误差分析,验证该简化统计模型在估算和预测土体基质吸力时空变化时的可靠性;4.通过敏感性分析研究不同参数对土体基质吸力时空变化的影响(图9);5.通过案例研究,验证利用该方法对根系土体基质吸力时空变化进行预测的可行性(图11和12)。结论:1.遗传编程算法可以有效地建立土体基质吸力和不同影响参数之间的关系,并能给出相应的数学公式以对土体基质吸力的时空变化进行可靠的估算和预测;2.基于方差的全局敏感性分析方法发现干循环时间和初始基质吸力对土体基质吸力的时空变化有重要影响,而且其他的植物和大气相关参数对土体基质吸力的时空变化也有不可忽视的影响;3.案例研究结果表明,本文所提方法可用于预测土体基质吸力的时空变化。     

基于学习风格和学习策略的词汇教学模式探讨（英文）

基于学习风格和学习策略的外语教学模式近年来十分流行。本文探讨中国学生在英语词汇学习方面的学习风格偏好及相关的学习策略,希望能帮助课堂词汇教学,真正实现基于学习风格和学习策略的外语教学模式。     

基于深度神经网络的多模态情感识别（英文）

为了提升音频和视频载体中的情感识别准确率,采用混合卷积神经网络和递归神经网络编码和集成视频与音频信息来源.通过智能的音频技术,从音频信号提取底层特征,然后用一维卷积神经网络抽象出高级特征,最后送入递归神经网络捕捉时间维度上的语调变化.作为对比,使用二维卷积神经网络和一个类似的卷积神经网络捕捉动态面部外观变化.该方法在2016年度中国模式识别会议提供的中国视觉与听觉情感数据库上达到了41.15%的平均精确度,相比会议基准算法的准确率提升了16.62%.证明所采用方法在情感信息识别中有更高的准确性.     

基于小波变换的高速磁浮导轨模型更新方法（英文）

以高速磁浮交通导轨结构为研究对象,针对高速磁浮导轨结构模型与实测结构模态参数不一致的情况,依托600 km时速高速磁浮车辆及高速磁浮试验线,对12.384 m长的混凝土导轨直道段进行测点布置和振动加速度数据采集.在响应信号中利用小波变换识别导轨结构模态参数,并采用最大坡度法提取小波脊线,分析高速磁浮导轨结构与时速600 km/h磁悬浮车辆相互作用振动特性的频率参数和振动模态.建立导轨结构模型来更新目标函数,采用反复迭代法更新和修正初始导轨模型,获得与实际结构相符合的高速磁浮导轨模型结构.结合18自由度的高速磁浮列车车轨耦合动力学模型,验证了更新后导轨模型在动力响应计算方面的精确性.研究结果表明,基于小波变换与最大坡度法的模型更新方法具有识别速度快、精度高的特点,可有效获得符合实测结构模型参数的精确导轨模型,确保车轨耦合动力分析计算的正确性,该方法同样适用于高速磁浮列车其他结构的模型更新.     

基于有限元和机器学习算法的薄壁件焊接装配特性映射关系分析（英文）

为了深入挖掘天线平行T形薄壁件结构焊接装配特性之间的关联映射关系,考虑焊接方向、焊接夹具夹持和释放时间、固定约束和焊接顺序等因素,采用有限元仿真进行焊接特性分析,揭示焊接特性之间的映射关系.同时,采用广义回归神经网络(GRNN)、小波神经网络(WNN)和模糊神经网络(FNN)等机器学习算法,预测薄壁件焊接的多重特性,以反映其变化趋势和映射关系的正确性.与广义回归神经网络和小波神经网络的预测结果相比,采用模糊神经网络方法所预测的焊接变形、温度和残余应力值的相对误差最大的均值分别小于4.8%、1.4%和4.4%.结果表明,采用模糊神经网络方法预测的焊接特性结果优于其他2种方法.此外,针对不同焊接工况下的变化分析结果亦表明,焊接变形、温度和残余应力之间在某一时间段确实存在相应的关联映射关系.     

应用机器学习方法从静力触探结果中识别快黏土和高灵敏度黏土（英文）

目的:研究机器学习技术在利用孔压静力触探测试(CPTu)识别高灵敏度黏土和快黏土的潜力。创新点:1.成功应用机器学习方法从CPTu结果中分类出高灵敏度黏土和快黏土,并将结果与不同地点的实际土层进行了比较。2.通过对机器学习算法的多次训练确定了可以获得良好结果的最少CPTu个数。方法:1.基于对两个位置已知和土层确定的CPTu数据集的分析,使用3种机器学习图像分类方法(逻辑回归、朴素贝叶斯和隐藏马尔科夫模型)将CPTu数据用于样木分类。2.将结果与实际土层进行比较,识别高灵敏度黏土和快黏土,并从计算性能度量方面比较3个方法的优缺点。结论:仅采用4个CPTu训练样本便可获得基于逻辑回归、朴素贝叶斯和隐藏马尔科夫模型的识别高灵敏度黏土和快黏土的3个分类模型,且分类精度良好。     

基于六自由度模型的涡轮流量传感器被动式仿真方法（英文）

为了研究涡轮流量传感器的动态特性,根据其工作原理提出了基于六自由度模型和动态网格相结合的被动式仿真方法.该仿真方法通过编写用户自定义功能(UDF)程序来控制叶轮的6个自由度,使其只能在水流的冲击下旋转,实时计算叶轮转速,并可设定随时间变化的进口速度,以获得涡轮流量计的动态性能.基于该仿真方法对3种不同口径的涡轮流量传感器进行了仿真,并通过稳态实验和非稳态实验验证了该仿真方法的可靠性.结果表明,仿真得到的仪表系数随流量的变化趋势与实验结果接近,仿真结果与实验结果的偏差较小,最大偏差为2.88%.在非定常仿真研究中,叶轮转速随涡轮流量传感器入口速度的变化而变化,具有良好的跟随效果.被动式仿真方法可用于预测涡轮流量传感器的动态性能.     

一种功能梯度多孔梁的深度能量方法（英文）

本文提出了一种深度能量方法(DEM)来求解功能梯度多孔梁。采用欧拉-伯努利假设,且功能梯度多孔梁在整个厚度范围内具有不同的力学性能。随后开发了DEM,并通过与作者在以前的工作中采用的解析解进行对比证明了其性能。本文所提出的方法完全不需要离散化技术(例如有限元方法),而是通过优化梁的势能来训练神经网络。一旦神经网络训练好,其求解可在很短的时间内完成。     

基于机器学习的土体压缩模量预测及一维基础沉降应用（英文）

目的:土体压缩模量是影响岩土体结构变形的重要参数之一。本文旨在通过机器学习的方法实现对压缩模量的预测,并通过构建一个机器学习模型,得到塑限、液限、塑性指数、液性指数、比贯入阻力以及埋深这6个输入参数与压缩模量预测值之间的关系。创新点:1.构建一个机器学习算法框架以实现对土体压缩模量的预测;2.此框架包括梯度提升回归树(GBRT)和遗传算法(GA),并采用GA对GBRT超参数进行获取。方法:1.通过收集整理工程报告获取本次预测的数据集(样本211个);输入参数有6个,分别为塑限、液限、塑性指数、液性指数、比贯入阻力以及埋深;输出参数为压缩模量。2.采用GBRT算法识别输入变量与目标响应之间的非线性规律,并采用GA调整GBRT模型的超参数。3.模型训练完成后,对压缩模量进行预测。4.将测试集上的预测结果和传统方法进行对比分析并应用到一维基础沉降中。结论:1.本文提出的GA-GBRT模型可以较好地实现对土体压缩模量的预测;GA可以对GBRT算法的超参数进行有效标定。2.训练后的GA-GBRT模型在训练集和测试集上都表现良好;在训练集和测试集上的相关系数R值分别为0.82和0.91,说明模型可以对压缩模量进行准确预测。3.对输入变量相对重要性的研究发现,液性指标是本研究中最重要的变量,其重要性得分为0.313(总数为1);其他指标的重要性排序依次为:液限、塑限、塑性指数、比贯入阻力和埋深。4.对于地基沉降的预测,本文提出的模型在相关系数R值和Mann-Whitney检验结果上均优于经验公式。5.本文提出的GA-GBRT模型可以更经济、更快速地预测土壤压缩模量。     

一种腐蚀疲劳损伤的非线性累加演化模型（英文）

研究目的:提出一种新的腐蚀疲劳损伤演化模型,建立基于损伤演化的腐蚀疲劳寿命预测模型。创新要点:将应力腐蚀损伤与疲劳损伤非线性耦合,建立腐蚀疲劳损伤演化律,依托实验确定腐蚀疲劳损伤演化参数,形成基于损伤演化律的腐蚀疲劳寿命预测模型。研究方法:采用理论研究与实验验证相结合的研究方法。选取特定材料设计应力腐蚀实验,回归应力腐蚀门槛值应力和损伤参数(图2);查阅疲劳实验数据建立变幅疲劳损伤模型,将应力腐蚀损伤与变幅疲劳损伤非线性累加形成腐蚀疲劳损伤非线性演化模型。根据腐蚀疲劳实验结果,验证腐蚀疲劳损伤演化模型并确定非线性损伤累加参数(图5和6),形成基于损伤演化律的腐蚀疲劳寿命预测模型。重要结论:从损伤力学角度,将材料的腐蚀疲劳损伤处理成应力腐蚀损伤与疲劳损伤的非线性累加,形成腐蚀疲劳损伤演化模型。结合LY12CZ铝合金的试验结果,验证了损伤演化模型的可行性。该方法可以为材料腐蚀疲劳的寿命评价研究提供新的思路。     

基于FPGA的提高PUF可靠性方法（英文）

传统的基于环形振荡器的物理不可克隆函数(RO-PUF)因电压、温度、器件老化等影响,存在输出不可靠问题,即PUF输出随时变化,为了提高PUF的可靠性,提出一种针对PUF映射单元的稳定性测试方案.该方案选择多复杂度和多种频率的环形振荡器作为干扰源,放置在PUF原型电路附近对其进行干扰.通过识别和筛选掉不稳定的片,即识别和筛选掉使PUF结果不稳定的单元,来有效提高PUF的可靠性.实验结果表明,不同复杂度和不同频率的周围逻辑电路可以识别出不同数量的不稳定片,复杂度越高,识别出的不稳定片也越多.与最新发表的PUF文献相比,该PUF电路具有很好的统计随机性,资源消耗低.在温度变化为0～120℃和电压波动为0.85～1.2 V时,唯一性和可靠性分别达到49.78%和98.00%,从而使其能够更好地被应用于安全领域.     

一种基于SaaS的云计算安全模型（英文）

云计算使公司减少了外包需求的计算成本,云计算客户目前没有办法保证他们的数据和计算的保密性和完整性,为解决此问题,提出了一种基于SaaS的云计算安全模型,提供一个封闭的执行环境,保证客户虚拟机的安全运行.它允许用户验证SaaS,确定服务是否安全.     

基于线性注意力和类Transformer模型的语音情感识别（英文）

鉴于Transformer模型在自然语言处理等序列任务中的优异性能,提出了一种适用于语音情感识别任务的改进的类Transformer模型.为了减小Transformer模型中多头注意力单元内部由softmax运算引起的巨大时间消耗与内存开销,提出了一种新的线性自注意力计算方法,通过使用泰勒级数展开公式代替原来的指数函数,并根据矩阵乘积的关联性将softmax运算相对于输入序列长度的时间复杂度和空间复杂度从O(N~2)降至O(N),其中N为序列长度.在2个不同语言的情感语料库上进行实验.结果表明:所提出的线性注意力算法可获得与原始缩放点积注意力相近的性能,而模型训练过程中的时间和内存开销大幅降低;与原始的Transformer模型相比,改进后的模型具有更鲁棒的语音情感识别性能.