基于动态空间面板模型的填方路基边坡坡面位移预测

传统的边坡位移预测由于监测周期长、主要解释变量难以独立监测,存在建模困难、模型冗余、不具备空间预测能力等问题。以某半填半挖的高填方路堤边坡为研究对象,基于坡面位移实测数据,引入空间计量经济学基本理论和动态面板数据分析方法,检验和量化了不同测点间的空间关系,建立了坡面位移的动态空间面板数据模型,并进一步地检验了模型的预测结果。研究结果表明,相较于传统的时间序列模型,该模型参数更加简洁,并可同时对空间所有测点进行预测。模型不仅在时间维度有良好的预测效果,还具有一定的空间预测能力。     

锚索预应力初期与长期损失的预测模型研究

采用预应力锚索加固边坡是一种切实有效的方法。考虑锚索预应力变化与坡体蠕变之间的耦合效应，建立两种耦合模型并推导模型的本构方程和有效预应力的变化公式。基于实际锚固工程的预应力监测数据，采用反分析方法得到坡体的蠕变参数，划分预测阶段后采用相应的理论模型，通过理论计算值与实际监测值的对比分析，验证了分段预测模型的合理性和准确性。研究表明：在预应力预测的全周期采用单一的耦合模型，随着时间发展产生的偏差也随之增大；弹性模型与广义Kelvin模型并联（H-K模型）预应力曲线下降较快，适用于预测锚索锚固初期的预应力损失；弹性体上并联广义Kelvin（H-2K模型）能更好地拟合锚索预应力的长期变化。合理的分阶预测能够准确地评价锚索预应力的损失变化，为及时采取措施以保证边坡的稳定与安全提供科学依据。     

一类分数阶差分方程边值问题多重正解的存在性

研究一类带有分数阶边界条件的分数阶差分方程多重正解的存在性.分析该方程的Green函数的性质,引入上、下解的概念,并利用Guo-Krasnosel'skii不动点定理和上、下解的方法,分别建立该方程存在正解的充分条件,最后利用Legget-Williams不动点定理,讨论该方程多重正解的存在性.     

面向智能驾驶视觉感知的对抗样本攻击与防御方法综述

现如今,深度学习已然成为机器学习领域最热门的研究方向之一,其在图像识别、目标检测、语音处理、问答系统等诸多领域都取得了巨大成功.然而通过附加经过特殊设计的细微扰动而构造出的对抗样本,能够破坏深度模型的原有性能,其存在使许多对安全性能指标具有极高要求的技术领域,特别是以视觉感知为主要技术优先的智能驾驶系统,面临新的威胁和挑战.因此,对对抗样本的生成攻击和主动防御研究,成为深度学习和计算机视觉领域极为重要的交叉性研究课题.本文首先简述了对抗样本的相关概念,在此基础上详细介绍了一系列典型的对抗样本攻击和防御算法.随后,列举了针对视觉感知系统的多个物理世界攻击实例,探讨了其对智能驾驶领域的潜在影响.最后,对对抗样本的攻击与防御研究进行了技术展望.