一类含脉冲的随机区间细胞神经网络模型的周期解和稳定性

讨论了一类含脉冲的S-分布时滞随机区间细胞神经网络的周期解和指数稳定性问题。利用随机分析的知识、不等式技巧和Poincaré压缩映像理论,研究了系统周期解的存在性和稳定性,得到了S-分布时滞随机细胞神经网络周期解的存在性和全局p阶指数稳定性的新代数判据,同时对周期解的指数收敛率进行了估计,最后通过例子说明了结果的实用性和有效性。     

基于动态中介中心性的城市道路网实时分层方法

 城市道路网中各路段的出行效率直接决定了公众实时出行过程中对道路的选择差异。本文提出一种动态道路网分层方法,通过引入城市道路实时交通状态信息,结合图论中的中介中心性评价方法,得到与时间相关的城市路网动态中介中心性层级结构。该方法考虑了不同时间段城市交通状态的差异,实现了城市路网层次的动态合理划分,在一定程度上缓解了由于数据空间范围限制引起的路网层级静态划分方法的局限性。本文所提出的方法可作为城市路网动态分层的有效方法,为多用户并发环境下的实时出行路径搜索提供更合理的数据基础,同时也可应用于更多的城市路网研究中。     

瑞利波在复合地基检测中的应用

介绍瑞利波法的基本原理并结合武汉市江夏区某道路改扩建的工程实际,对其进行分析.     

北京城区交通时间可达性测度及其空间特征分析

道路基础设施建设是城市运营与发展的基本环节,也是实现城乡基础设施一体化的重要途径与内容。北京市长期实行“环状+发射状”的城市路网格局,对城市基础设施建设和时间可达性产生了重要影响。尤其是近些年来,随着城市机动车保有量的快速增加,城市核心区与主要干道的交通设施负载量巨增,严重制约了城市的通勤效率,加重了人民的生活负担。为应对挑战,实现交通设施跨越式发展,北京市自2008 年以来加快了轨道交通建设步伐,以改善城市的通勤能力。本文采用一般道路设施与轨道交通(矢删数据) 结合的方法对北京城区进行了时间可达性的综合度量和其空间特征的分析。通过可达性与道路密度双重指标的运用进行区域综合分区,本文进一步揭示了北京市城区内的空间可达性特征和道路基础设施建设情况以及两者在南北城区内的空间表征差异。在综合分区的基础上,分析2008 年以来各个区域土地利用效益与区位因素的相互关系,甄别土地利用效益区位因素的区域差异性,从而对不同分区的城市建设、城市发展规划与土地资源优化配置提供科学支撑。     

Effects of sample size on the accuracy of geomorphological models

Commonly, the most costly part of geomorphological distribution modelling studies is gathering the data. Thus, guidance for researchers concerning the quantity of field data needed would be extremely practical. This paper scrutinises the relationship between the sample size (the number of observations varied from 20 to 600) and the predictive ability of the generalized linear model (GLM), generalized additive model (GAM), generalized boosting method (GBM) and artificial neural network (ANN) in two data settings, i.e., independent and split-sample approaches. The study was performed using empirical data of periglacial processes from an area of 600 km² in northernmost Finland at grid resolutions of 1 ha (100 × 100 m) and 25 ha (500 × 500 m). A rather sharp increase in the predictive ability of the models was observed when the number of observations increased from 20 to 100, and the level of robust predictions was reached with 200 observations. The result indicates that no more than a few hundred observations are needed in geomorphological distribution modelling at a medium scale resolution (ca. 0.01–1 km²).     

基于GIS的重庆市道路密度的空间分异

以重庆市县域为研究单元,选取2006年重庆市1:166万基础地理信息数据中的道路网络数据为参考底图,利用ArcGIS的叠加分析和空间分析功能,研究了重庆市县域道路密度的空间分布差异。在道路密度研究的基础上,对各县(片)区的路网密度分布差异从社会经济和地形等方面,进行了相关分析和讨论。结果表明,2006年重庆市各区县道路密度的空间分布具有明显的集聚特征和地带性,重庆西部渝中区、沙坪坝区、九龙坡区等道路网密度较高,东北部的城口、东南部的丰都等区县道路网密度较低,揭示出重庆市道路密度空间分布的不均衡性;部分区县的道路网密度较高,与周边地区的差异相对显著,但尚未连接成面或完全均质化,主要包括西部铜梁片区、东南的丰都等区县;各区县不同等级道路密度空间分异也不尽相同;与地形、经济、人口、城镇用地的相关性研究中发现,重庆市道路密度分布格局与重庆的地势走向和地貌组成的地区分异大体吻合,与各区县GDP发展的空间水平基本耦合,与人口的相关性密切,并且道路网络的不断完善加速了城镇建设用地的外扩。     

基于企业微观视角的城市区域生产网络空间组织研究——以粤东城镇群服装生产为例

城镇间的产业联系是城市(镇)群研究的重要内容之一,然而传统研究多使用宏观统计数据,缺少从企业微观层面对城市产业联系的研究,难以清晰刻画城镇之间复杂的产业联系。随着社会网络分析方法在多学科的运用,城镇群生产网络空间组织的可视化表达和定量分析成为可能。选择粤东城镇群的服装生产为案例,通过深度访谈构建企业关系数据库,运用社会网络分析软件直观模拟城镇群区域服装生产网络,探讨城镇空间结构与生产网络之间的内在联系。结果发现:① 粤东城镇群区域内形成了复杂的生产网络,从网络结构上看,大部分节点存在于一个大的网络中,建立直接或间接联系,仅有个别点或小集团孤立在外,网络中各企业的度数中心度和中间中心度存在较大差别;② 从网络空间上看,汕头同潮州和普宁都存在密切联系,但潮州和普宁之间缺少联系,而汕尾孤立于汕潮揭之外;③ 各等级城镇在粤东城镇群区域服装生产网络中发挥了不同的作用,城镇的专业化与区域的多样化共同推动服装生产的网络化。为城镇群内部经济联系研究提供了新的思路与方法,对城镇群网络化建设具有参考价值。     

地震数据正交投影分解方法的研究与应用

地震记录正交分解是值得研究的重要问题.本文将人工神经网络自组织学习算法引入到地震数据处理中,提出地震数据神经网络正交分解方法.在分解后的特征子空间中进行特征提取来消除相干和随机噪声,提高地震记录的信噪比.研究结果表明,这种实现方法是可行的,因特征滤波或数据压缩一般只需为数不多的主分量,本文的方法可根据滤波需要自适应提取所需主分量,可免去大量无用的计算,因此,本方法可降低滤波的计算成本,参与分解的道数越多效果越明显.最后,给出了对实际资料进行特征滤波的一个应用实例.     

基于神经网络对有限元强度折减法分析

基于改进BP神经网络方法对目前较为流行的强度折减法的理论进行分析。人工神经网络可以模拟人脑的思维,可以在完全不知道数据分布形式和变量之间确切关系的的情况下处理边坡各参数之间的复杂非线性映射,利用这一优势预测分析不同的理论在实际应用中的准确性。将已经通过工程手段计算出结果的数据以输入单元、隐含层和输出单元的形式代入系统进行神经网络训练,不同的屈服准则对应训练出不同的网络系统。用训练好的网络对检验数据进行预测分析,还使用这一方法预测了不同剪胀角对边坡破坏的影响程度及趋势,结果显示,对于平面应变问题,在有限元强度折减法中使用DP4和DP5准则所得到的效果较好,DP1准则的误差最大。     

Pumping optimization of coastal aquifers based on evolutionary algorithms and surrogate modular neural network models

Pumping optimization of coastal aquifers involves complex numerical models. In problems with many decision variables, the computational burden for reaching the optimal solution can be excessive. Artificial Neural Networks (ANN) are flexible function approximators and have been used as surrogate models of complex numerical models in groundwater optimization. However, this approach is not practical in cases where the number of decision variables is large, because the required neural network structure can be very complex and difficult to train. The present study develops an optimization method based on modular neural networks, in which several small subnetwork modules, trained using a fast adaptive procedure, cooperate to solve a complex pumping optimization problem with many decision variables. The method utilizes the fact that salinity distribution in the aquifer, depends more on pumping from nearby wells rather than from distant ones. Each subnetwork predicts salinity in only one monitoring well, and is controlled by relatively few pumping wells falling within certain control distance from the monitoring well. While the initial control area is radial, its shape is adaptively improved using a Hermite interpolation procedure. The modular neural subnetworks are trained adaptively during optimization, and it is possible to retrain only the ones not performing well. As optimization progresses, the subnetworks are adapted to maximize performance near the current search space of the optimization algorithm. The modular neural subnetwork models are combined with an efficient optimization algorithm and are applied to a real coastal aquifer in the Greek island of Santorini. The numerical code SEAWAT was selected for solving the partial differential equations of flow and density dependent transport. The decision variables correspond to pumping rates from 34 wells. The modular subnetwork implementation resulted in significant reduction in CPU time and identified an even better solution than the original numerical model.