深度学习：推进人工智能的梦想
摘要：深度学习带来了机器学习的新浪潮，推动“大数据＋深度模型”时代的来临，以及人工智能和人机交互大踏步前进。如果我们能在理论、建模和工程方面突破深度学习面临的一系列难题，人工智能的梦想不再遥远。
2012年6月，《纽约时报》披露了Google Brain项目，吸引了公众的广泛关注。这个项目是由著名的斯坦福大学机器学习教授Andrew Ng和在大规模计算机系统方面的世界顶尖专家Jeff Dean共同主导，用16000个CPU Core的并行计算平台训练一种称为“深层神经网络”（DNN，Deep Neural Networks）的机器学习模型，在语音识别和图像识别等领域获得了巨大的成功。2012年11月，微软在中国天津的一次活动上公开演示了一个全自动的同声传译系统，讲演者用英文演讲，后台的计算机一气呵成自动完成语音识别、英中机器翻译，以及中文语音合成，效果非常流畅。据报道，后面支撑的关键技术也是DNN，或者深度学习（DL，Deep Learning）。
2013年1月，在百度的年会上，创始人兼CEO李彦宏高调宣布要成立百度研究院，其中第一个重点方向就是深度学习，并为此而成立Institute of Deep Learning（IDL）。这是百度成立十多年以来第一次成立研究院。2013年4月，《麻省理工学院技术评论》杂志将深度学习列为2013年十大突破性技术（Breakthrough Technology）之首。
读者一定非常好奇，什么是深度学习？为什么深度学习受到学术界和工业界如此广泛的重视？深度学习技术研发面临什么样的科学和工程问题？深度学习带来的科技进步将怎样改变人们的生活？
机器学习的两次浪潮：从浅层学习到深度学习
在解释深度学习之前，我们需要了解什么是机器学习。机器学习是人工智能的一个分支，而在很多时候，几乎成为人工智能的代名词。简单来说，机器学习就是通过算法，使得机器能从大量历史数据中学习规律，从而对新的样本做智能识别或对未来做预测。从1980年代末期以来，机器学习的发展大致经历了两次浪潮：浅层学习（Shallow Learning）和深度学习（Deep Learning）。需要指出是，机器学习历史阶段的划分是一个仁者见仁，智者见智的事情，从不同的维度来看会得到不同的结论。这里我们是从机器学习模型的层次结构来看的。
第一次浪潮：浅层学习
1980年代末期，用于人工神经网络的反向传播算法（也叫Back Propagation算法或者BP算法）的发明，给机器学习带来了希望，掀起了基于统计模型的机器学习热潮。这个热潮一直持续到今天。人们发现，利用BP算法可以让一个人工神经网络模型从大量训练样本中学习出统计规律，从而对未知事件做预测。这种基于统计的机器学习方法比起过去基于人工规则的系统，在很多方面显示出优越性。这个时候的人工神经网络，虽然也被称作多层感知机（Multi-layer Perceptron），但实际上是一种只含有一层隐层节点的浅层模型。
90年代，各种各样的浅层机器学习模型相继被提出，比如支撑向量机（SVM，Support Vector Machines）、Boosting、最大熵方法（例如LR， Logistic Regression）等。这些模型的结构基本上可以看成带有一层隐层节点（如SVM、Boosting），或没有隐层节点（如LR）。这些模型在无论是理论分析还是应用都获得了巨大的成功。相比较之下，由于理论分析的难度，加上训练方法需要很多经验和技巧，所以这个时期浅层人工神经网络反而相对较为沉寂。
2000年以来互联网的高速发展，对大数据的智能化分析和预测提出了巨大需求，浅层学习模型在互联网应用上获得了巨大成功。最成功的应用包括搜索广告系统（比如Google的AdWords、百度的凤巢系统）的广告点击率CTR预估、网页搜索排序（例如Yahoo!和微软的搜索引擎）、垃圾邮件过滤系统、基于内容的推荐系统等。
第二次浪潮：深度学习
2006年，加拿大多伦多大学教授、机器学习领域泰斗——Geoffrey Hinton和他的学生Ruslan Salakhutdinov在顶尖学术刊物《科学》上发表了一篇文章，开启了深度学习在学术界和工业界的浪潮。这篇文章有两个主要的信息：1. 很多隐层的人工神经网络具有优异的特征学习能力，学习得到的特征对数据有更本质的刻画，从而有利于可视化或分类；2. 深度神经网络在训练上的难度，可以通过“逐层初始化”（Layer-wise Pre-training）来有效克服，在这篇文章中，逐层初始化是通过无监督学习实现的。
自2006年以来，深度学习在学术界持续升温。斯坦福大学、纽约大学、加拿大蒙特利尔大学等成为研究深度学习的重镇。2010年，美国国防部DARPA计划首次资助深度学习项目，参与方有斯坦福大学、纽约大学和NEC美国研究院。支持深度学习的一个重要依据，就是脑神经系统的确具有丰富的层次结构。一个最著名的例子就是Hubel-Wiesel模型，由于揭示了视觉神经的机理而曾获得诺贝尔医学与生理学奖。除了仿生学的角度，目前深度学习的理论研究还基本处于起步阶段，但在应用领域已显现出巨大能量。2011年以来，微软研究院和Google的语音识别研究人员先后采用DNN技术降低语音识别错误率20％~30％，是语音识别领域十多年来最大的突破性进展。2012年，DNN技术在图像识别领域取得惊人的效果，在ImageNet评测上将错误率从26％降低到15％。在这一年，DNN还被应用于制药公司的Druge Activity预测问题，并获得世界最好成绩，这一重要成果被《纽约时报》报道。
正如文章开头所描述的，今天Google、微软、百度等知名的拥有大数据的高科技公司争相投入资源，占领深度学习的技术制高点，正是因为它们都看到了在大数据时代，更加复杂且更加强大的深度模型能深刻揭示海量数据里所承载的复杂而丰富的信息，并对未来或未知事件做更精准的预测。
大数据与深度学习
在工业界一直有个很流行的观点：在大数据条件下，简单的机器学习模型会比复杂模型更加有效。例如，在很多的大数据应用中，最简单的线性模型得到大量使用。而最近深度学习的惊人进展，促使我们也许到了要重新思考这个观点的时候。简而言之，在大数据情况下，也许只有比较复杂的模型，或者说表达能力强的模型，才能充分发掘海量数据中蕴藏的丰富信息。运用更强大的深度模型，也许我们能从大数据中发掘出更多有价值的信息和知识。
为了理解为什么大数据需要深度模型，先举一个例子。语音识别已经是一个大数据的机器学习问题，在其声学建模部分，通常面临的是十亿到千亿级别的训练样本。在Google的一个语音识别实验中，发现训练后的DNN对训练样本和测试样本的预测误差基本相当。这是非常违反常识的，因为通常模型在训练样本上的预测误差会显著小于测试样本。因此，只有一个解释，就是由于大数据里含有丰富的信息维度，即便是DNN这样的高容量复杂模型也是处于欠拟合的状态，更不必说传统的GMM声学模型了。所以从这个例子中我们看出，大数据需要深度学习。
浅层模型有一个重要特点，就是假设靠人工经验来抽取样本的特征，而强调模型主要是负责分类或预测。在模型的运用不出差错的前提下（如假设互联网公司聘请的是机器学习的专家），特征的好坏就成为整个系统性能的瓶颈。因此，通常一个开发团队中更多的人力是投入到发掘更好的特征上去的。要发现一个好的特征，就要求开发人员对待解决的问题要有很深入的理解。而达到这个程度，往往需要反复地摸索，甚至是数年磨一剑。因此，人工设计样本特征，不是一个可扩展的途径。
深度学习的实质，是通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。所以“深度模型”是手段，“特征学习”是目的。区别于传统的浅层学习，深度学习的不同在于：1. 强调了模型结构的深度，通常有5层、6层，甚至10多层的隐层节点；2. 明确突出了特征学习的重要性，也就是说，同过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，使分类或预测更加容易。
与人工规则构造特征的方法相比，利用大数据来学习特征，更能刻画数据丰富的内在信息。所以，在未来的几年里，我们将看到越来越多的例子：深度模型应用于大数据，而不是浅层的线性模型。
深度学习的应用
语音识别
语音识别系统长期以来，在描述每个建模单元的统计概率模型时，大多采用的是混合高斯模型（GMM）。这种模型由于估计简单，适合海量数据训练，同时有成熟的区分度训练技术支持，长期以来，一直在语音识别应用中占有垄断性地位。但这种混合高斯模型本质上是一种浅层网络建模，不能充分描述特征的状态空间分布。另外，GMM建模的特征维数一般是几十维，不能充分描述特征之间的相关性。最后，GMM建模本质上是一种似然概率建模，虽然区分度训练能够模拟一些模式类之间的区分性，但能力有限。
微软研究院语音识别专家邓立和俞栋从2009年开始和深度学习专家Geoffery Hinton合作。2011年微软宣布基于深度神经网络的识别系统取得成果并推出产品，彻底改变了语音识别原有的技术框架。采用深度神经网络后，可以充分描述特征之间的相关性，可以把连续多帧的语音特征并在一起，构成一个高维特征。最终的深度神经网络可以采用高维特征训练来模拟。由于深度神经网络采用模拟人脑的多层结果，可以逐级地进行信息特征抽取，最终形成适合模式分类的较理想特征。这种多层结构和人脑处理语音图像信息时，是有很大的相似性的。深度神经网络的建模技术，在实际线上服务时，能够无缝地和传统的语音识别技术相结合，在不引起任何系统额外耗费情况下，大幅度提升了语音识别系统的识别率。其在线的使用方法具体如下：在实际解码过程中，声学模型仍然是采用传统的HMM模型，语音模型仍然是采用传统的统计语言模型，解码器仍然是采用传统的动态WFST解码器。但在声学模型的输出分布计算时，完全用神经网络的输出后验概率乘以一个先验概率来代替传统HMM模型中的GMM的输出似然概率。百度在实践中发现，采用DNN进行声音建模的语音识别系统相比于传统的GMM语音识别系统而言，相对误识别率能降低25%。最终在2012年11月，百度上线了第一款基于DNN的语音搜索系统，成为最早采用DNN技术进行商业语音服务的公司之一。
国际上，Google也采用了深层神经网络进行声音建模，是最早突破深层神经网络工业化应用的企业之一。但Google产品中采用的深度神经网络只有4-5层，而百度采用的深度神经网络多达9层。这种结构差异的核心其实是百度更好地解决了深度神经网络在线计算的技术难题，因此百度线上产品可以采用更复杂的网络模型。这将对于未来拓展海量语料的DNN模型训练有更大的优势。
图像识别
图像是深度学习最早尝试的应用领域。早在1989年，Yann LeCun (现纽约大学教授) 和他的同事们就发表了卷积神经网络（Convolution Neural Networks，简称CNN）的工作。CNN是一种带有卷积结构的深度神经网络，通常至少有两个非线性可训练的卷积层，两个非线性的固定卷积层（又叫Pooling Laye）和一个全连接层，一共至少5个隐含层。CNN的结构受到著名的Hubel-Wiesel生物视觉模型的启发，尤其是模拟视觉皮层V1和V2层中Simple Cell和Complex Cell 的行为。在很长时间里，CNN虽然在小规模的问题上，如手写数字，取得过当时世界最好结果，但一直没有取得巨大成功。这主要原因是，CNN在大规模图像上效果不好，比如像素很多的自然图片内容理解，所以没有得到计算机视觉领域的足够重视。这个情况一直持续到2012年10月，Geoffrey Hinton和他的两个学生在著名的ImageNet问题上用更深的CNN取得世界最好结果，使得图像识别大
踏步前进。在Hinton的模型里，输入就是图像的像素，没有用到任何的人工特征。
这个惊人的结果为什么在之前没有发生？原因当然包括算法的提升，比如dropout等防止过拟合技术，但最重要的是，GPU带来的计算能力提升和更多的训练数据。百度在2012年底将深度学习技术成功应用于自然图像OCR识别和人脸识别等问题，并推出相应的桌面和移动搜索产品，2013年，深度学习模型被成功应用于一般图片的识别和理解。从百度的经验来看，深度学习应用于图像识别不但大大提升了准确性，而且避免了人工特征抽取的时间消耗，从而大大提高了在线计算效率。可以很有把握地说，从现在开始，深度学习将取代“人工特征+机器学习”的方法而逐渐成为主流图像识别方法。
自然语言处理
除了语音和图像，深度学习的另一个应用领域问题是自然语言处理（NLP）。经过几十年的发展，基于统计的模型已经成为NLP的主流，但作为统计方法之一的人工神经网络在NLP领域几乎没有受到重视。最早应用神经网络的NLP问题是语言模型。加拿大蒙特利尔大学教授Yoshua Bengio等人于2003年提出用embedding的方法将词映射到一个矢量表示空间，然后用非线性神经网络来表示N-Gram模型。世界上最早的最早的深度学习用于NLP的研究工作诞生于NEC美国研究院，其研究员Ronan Collobert和Jason Weston从2008年开始采用embedding和多层一维卷积的结构，用于POS Tagging、Chunking、Named Entity Recognition、Semantic Role Labeling等四个典型NLP问题。值得注意的是，他们将同一个模型用于不同任务，都能取得与业界最前沿相当的准确率。最近以来，斯坦福大学教授Chris Manning等人在将深度学习用于NLP的工作也值得关注。
总的来说，深度学习在NLP上取得的进展没有在语音图像上那么令人影响深刻。一个很有意思的悖论是：相比于声音和图像，语言是唯一的非自然信号，是完全由人类大脑产生和处理的符号系统，但模仿人脑结构的人工神经网络却似乎在处理自然语言上没有显现明显优势？我们相信，深度学习在NLP方面有很大的探索空间。从2006年图像深度学习成为学术界热门课题到2012年10月Geoffery Hinton在ImageNet上的重大突破，经历了6年时间。我们需要有足够的耐心。
搜索广告CTR预估
搜索广告是搜索引擎的主要变现方式，而按点击付费（Cost Per Click，CPC）又是其中被最广泛应用的计费模式。在CPC模式下，预估的CTR（pCTR）越准确，点击率就会越高，收益就越大。通常，搜索广告的pCTR是通过机器学习模型预估得到。提高pCTR的准确性，是提升搜索公司、广告主、搜索用户三方利益的最佳途径。
传统上，Google、百度等搜索引擎公司以Logistic Regression（LR）作为预估模型。而从2012年开始，百度开始意识到模型的结构对广告CTR预估的重要性：使用扁平结构的LR严重限制了模型学习与抽象特征的能力。为了突破这样的限
制，百度尝试将DNN作用于搜索广告，而这其中最大的挑战在于当前的计算能力还无法接受1011级别的原始广告特征作为输入。作为解决，在百度的DNN系统里，特征数从1011数量级被降到了103，从而能被DNN正常地学习。这套深度学习系统已于2013年5月开始服务于百度搜索广告系统，每天为数亿网民使用。
DNN在搜索广告系统中的应用还远远没有成熟，其中DNN与迁移学习的结合将可能是一个令人振奋的方向。使用DNN，未来的搜索广告将可能借助网页搜索的结果优化特征的学习与提取；亦可能通过DNN将不同的产品线联系起来，使得不同的变现产品不管数据多少，都能互相优化。我们认为未来的DNN一定会在搜索广告中起到更重要的作用。
深度学习研发面临的重大问题
理论问题
理论问题主要体现在两个方面，一个是统计学习方面的，另一个是计算方面的。我们已经知道，深度模型相比较于浅层模型有更好的对非线性函数的表示能力。具体来说，对于任意一个非线性函数，根据神经网络的Universal Approximation Theory，我们一定能找到一个浅层网络和一个深度网络来足够好地表示。但深度网络只需要少得多的参数。但可表示性不代表可学习性。我们需要了解深度学习的样本复杂度，也就是我们需要多少训练样本才能学习到足够好的深度模型。从另一方面来说，我们需要多少计算资源才能通过训练得到更好的模型？理想的计算优化方法是什么？由于深度模型都是非凸函数，这方面的理论研究极其困难。
建模问题
在推进深度学习的学习理论和计算理论的同时，我们是否可以提出新的分层模型，使其不但具有传统深度模型所具有的强大表示能力，还具有其他的好处，比如更容易做理论分析。另外，针对具体应用问题，我们如何设计一个最适合的深度模型来解决问题？我们已经看到，无论在图像深度模型，还是语言深度模型，似乎都存在深度和卷积等共同的信息处理结构。甚至对于语音声学模型，研究人员也在探索卷积深度网络。那么一个更有意思的问题是，是否存在可能建立一个通用的深度模型或深度模型的建模语言，作为统一的框架来处理语音、图像和语言？
工程问题
需要指出的是，对于互联网公司而言，如何在工程上利用大规模的并行计算平台来实现海量数据训练，是各家公司从事深度学习技术研发首先要解决的问题。传统的大数据平台如Hadoop，由于数据处理的Latency太高，显然不适合需要频繁迭代的深度学习。现有成熟的DNN训练技术大都是采用随机梯度法（SGD）方法训练的。这种方法本身不可能在多个计算机之间并行。即使是采用GPU进行传统的DNN模型进行训练，其训练时间也是非常漫长的，一般训练几千小时的声学模型所需要几个月的时间。而随着互联网服务的深入，海量数据训练越来越重要，DNN这种缓慢的训练速度必然不能满足互联网服务应用的需要。Google搭建的
DistBelief，是一个采用普通服务器的深度学习并行计算平台，采用异步算法，由很多计算单元独立地更新同一个参数服务器的模型参数，实现了随机梯度下降算法的并行化，加快了模型训练速度。与Google采用普通服务器不同，百度的多GPU并行计算平台，克服了传统SGD训练的不能并行的技术难题，神经网络的训练已经可以在海量语料上并行展开。可以预期，未来随着海量数据训练的DNN 技术的发展，语音图像系统的识别率还会持续提升。
总结
深度学习带来了机器学习的一个新浪潮，受到从学术界到工业界的广泛重视，也导致了“大数据+深度模型”时代的来临。在应用方面，深度学习使得语音图像的智能识别和理解取得惊人进展，从而推动人工智能和人机交互大踏步前进。同时，pCTR这样的复杂机器学习任务也得到显著提升。如果我们能在理论、建模和工程方面，突破深度学习技术面临的一系列难题，人工智能的梦想将不再遥远。
二、建筑工程实施性方案设计文件深度 (一)设计总说明 1．总休说明 (1)设计依据 1)招标人提供的有关文件名称及文号。如：政府有关审批机关对项目建议书的批复文什、政府有关审批机关对项日例行性研究报告的批复文件、经有关部门核准或备案的项目确认书、规划审批意见书等。 2)招标人提供的设计基础资料。如：地形、区域位置、气象、水文地质、抗震设防资料等初勘资料；水、电、燃气、供热、环保、通讯、市政道路和交通地下障碍物等基础资料。 3)招标人或政府有关部门对项目的设计要求。如总平面布置、建筑控制高度、建筑造型、建筑材料等；对周围环境需要保护的建筑、水体、树木等。 4)设计采用的主要法规和标准，采用国外法规标准应于注明。 (2)方案总体构思 方案设计总体构思理念，外形特点，建筑功能，区域划分，环境景观，建筑总体与周边环境的关系。 2．设计说明 (1)总平面设计说明 1)场地现状和周边环境概况； 2)项目若分期建设，说明分期划分； 3)环境与绿化设计分析； 4)道路和广场布置、交通分析、停车场地设置、总平面无障碍设施等； 5)规划场地内原有建筑的利用和保护，古树、名木、植被保护措施； 6)地形复杂时应作竖向设计。 (2)建筑方案设计说明
1)平面布局、功能分析、交通流线； 2)空间构成及剖面设计； 3)立面设汁 4)采用的主要建筑材料及技术，若采用新材料、新技术，如实陈述其适用性、经济性，说明有无相应规范、标准，若采用国外规范，说明其名称及适用范围并履行审查批准程序； 5)建筑声学、建筑热工、建筑防护、空气洁净、人防地下室等方面有特殊要求的建筑，应说明拟采用的相关技术。 (3)主要经济设计指标； 注：1．当工程项目(如城市居住区)有相应的规划设计规范时，技术经济指标的内容应按其执行。 2计算容积率时，按国家及地方要求计算。 3公共建筑应增加主要功能区分层面积表、旅馆建筑应增加客房构成、医院建筑增加门诊人次及病床数、图书馆增加建筑藏书册数、观演和体育建筑增加座位数、住宅小区方案应增加户型统计表。 (4)关键建造技术问题说明(必要时)； (5)建筑结构系统方案设计说明 1)建筑结构设计采用的规范和标准，风压雪荷载取值、地震情况及工程地质条件等；
诗梦江南，入画寻踪 ——长清区实验小学江南深度研学实践之旅 【课程简介】 一道水，一架桥，一支橹声，隽秀婉约的聚合了太多的历史文化。此次研学活动旨在让同学们了解祖国江南，同时感受一场从远古传说，到春秋的吴越文化，到南北朝的文人风骨，再到明清以及近代的大儒伟人的历史盛宴。活动中，同学们将一起寻访王羲之、蔡元培、鲁迅、周恩来等名人伟人故里，穿越历史，冶爱国之志，体悟文化魅力；一起走进园，欣赏宋代江南私家园林的秀美景观，探寻园林蕴含的文化涵；一起游历西湖，领略“淡妆浓抹总相宜”的如画美景；一起走进综合性人文科学博物馆博物馆、中国黄酒博物馆，全面了解历史文化。 【课程特色】 ●文化名镇江南风采 ●穿越时空触摸历史 【行程简表】
上午探访安昌古镇漫游小桥流水梦回江南水乡游历江南小镇，画笔描绘 第五天 下午乘坐高铁前往：车次G60东-西 15:22-19:48辅导员送站一次相聚一生情谊备注：因天气交通等原因，组委会保留调整活动顺序及个别项目的权力，保证活动总量不变。 【活动费用】 2900/人；包含火车（往返高铁）及活动期间所有的费用。 ?【人文积淀-理性思维】·第一天下午·钱塘江·六和塔 钱塘江潮被誉为“天下第一潮”，是世界一大自然奇观，它是天体引力和地球自转的离心作用，加上湾喇叭口的特殊地形所造成的特大涌潮。六和塔位于省市西湖之南，钱塘江畔 月轮山上，是中国现存最完好的砖木结构古塔之一。 小任务1：学生面对浩渺的钱塘江，接受审美教育，并结合手册提示，探究钱塘江大潮的在科学原理； 小任务2：学生走进六和塔，收集关于六和塔的传说故事，留下自己与六和塔最美的合照； ?【审美情趣-人文积淀】·第二天上午·西湖·省博物馆 西湖，是一首诗，一幅天然图画，一个美丽动人的故事，不论是多年居住在这里的人还是匆匆而过的旅人，无不为这天下无双的美景所倾倒。平湖秋月、断桥残雪、柳浪闻莺、花 港观鱼、雷峰夕照、双峰插云、南屏晚钟、三潭印月，西湖十景个擅其胜。省博物馆是省规 模最大的综合性人文科学博物馆，文物品类丰富，年代序列完整。 小任务1：集体创绘，全体学生齐动手，集体协作，面对美景，协作创作最美的西湖； 小任务2：走进博物馆，寻访国宝，找一找最能代表江南文化的文物，向小组同学分享并交流；
深度学习的基本模型框架包括深度置信网络(DBN)、卷积神经网络(CNN)、堆叠自动编码机(SAE)、递归神经网络(RNN)。 1、深度置信网络(DBN)的故障诊断研究现状 DBN是一种典型的深度学习方法, 可以通过组合底层特征形成更加抽象的高层表示,发现数据的分布式特征,其动机在于建立模型模拟人类大脑的神经网络连接结构,通过多个非线性运算隐含层的多层感知器对输入数据进行分布式表征,并且能够在样本集有限的情况下实现学习数据集的本质特征,达到实现量测数据从低级到高级的特征表示与提取。 优势： 1.在于能够摆脱对大量信号处理技术与诊断经验的依赖,完成故障特征的自适应提取与健康状态的智能诊断; 2.该方法对时域信号没有周期性要求,具有较强的通用性和适应性; 3.其具有处理高维、非线性数据的能力,且可有效地避免发生维数灾难和诊断能力不足等问题.从此角度看,深度置信网络非常适合处理新时期工业“大数据”的故障诊断难题. 此文是将DBN用于实现传感器健康状态特征的分类, 而没有实现基于DBN的特征表达与提取, 需要进一步深入研究, 但确实为实现基于DBN故障诊断方法迈出了一大步. 用法: 一种用DBN 作分类器, 另一种用DBN作特征表达、提取与识别. 2、卷积神经网络(CNN)的故障诊断研究现状 CNN是一个典型的前馈神经网络, 其实质是构建多个能够提取输入数据特征的滤波器, 通过这些滤波器对输入数据进行逐层卷积及池化, 逐级提取隐藏在数据之中的拓扑结构特征,随着网络结构层层深入, 提取的特征也逐渐变得抽象, 最终获得输入数据的平移、旋转及缩放不变的特征表示.其主要特征是结合稀疏连接、权重共享、空间或时间上的降采样. 优势：CNN无需将这些输入数据进行矢量化. 用法:1.是将CNN作为特征提取与识别的方法,2.将CNN作为分类器使用。现有的研究, CNN仅仅用于实现视觉理解、图像特征提取等, 很少用于实现基于信号的特征提取与识别. 一种可能的解释是CNN输入需要2D特征图谱,即输入数据必须满足2D结构特征 CNN 非常适合处理海量数据, 学习海量数据中的特征,识别出海量数据中蕴含的信息. 因此,基于CNN 的故障诊断是未来基于深度学习故障诊断算法发展的一个方向. 3、堆叠自动编码机(SAE)的故障诊断研究现状 堆叠自动编码机(SAE) 能有效地提取数据低维特征,其基本单元是自动编码器(AE),由多个AE堆叠而成. 每个AE可以视为一个单隐层的人工神经网络,通过寻求最优参数使得输出尽可能地重构输入,此时隐层输出可看作是输入降维后的低维特征。自动编码机(AE)依然采用梯度下降算法训练网络参数, 使损失函数最小化. 作用：是降噪滤波和特征提取两大功能, 优势：用SAE实现故障诊断从其开始就用于实现特征提取与故障分类. 一个可能的解释是无论是编码器还是解码器均可用于整合特征提取算法与分类识别算法. 换句话说, SAE的训练需要少量的样本数据,再加上适当的分类识别技术即可实现较高性能的故障诊断效果,充分展现了其强大的特征提取能力以及该方法的鲁棒性. 4、递归神经网络(RNN)的故障诊断研究现状 RNN的本质特征是其处理单元之间既有内部的反馈连接又有前馈连接,其内部反馈连接可以为网络保留隐层节点的状态和提供记忆方式,网络的输出不仅取决于当前的输入,而且与以前的网络内部状态有关,体现出了较好的动态特性。 优势：充分考虑了样本之间的关联关系 优势：RNN提高了故障诊断效率, 改善了现有神经网络故障诊断方法,适用于复杂设备或系统的实时故障诊断, 且具有良好的扩展性. 递归神经网络具有收敛速度快、精度高、稳定性好、扩展性好等优势,此外RNN在预测方面具有其他算法不可比拟的优势。 深度学习故障诊断的挑战性问题 深度学习的目的就是试图通过寻求可量测的特征向量来判断系统处于何种状态,进而实现工业系统的故障检测、诊断与识别匹配等 1、一个可能的研究思路是构建实验仿真分析平台, 注入不同类型的故障, 得到不同故障对应的仿真
国内外相关技术的现状发展趋势世界上许多地区正面临着最严重的缺水。据世界银行的统计，全球80%的国家和地区都缺少民用和工业用淡水。随着资源成本不断上升和环保意识逐渐增强，许多企业开始运用绿色技术，降低碳排放，尽量减少废物产生。其中水处理技术就是其中非常重要的一项绿色技术。 根据联合国统计，到2025年，三分之二的世界人口可能会面临水资源短缺，因此水处理技术将会越来越得到重视，这包括了高效率的水资源管理和污水处理。例如：在北美尤其在加拿大，水管理及污水处理设施的面临的问题十分急切。63%的目前运行的设施都在超期运行，他们的平均运行时间已经达到18.3年。其中52%污水处理设施在超期运行。在美国的干旱地区，对海水淡化技术的需求越来越高。海水淡化技术主要局限在于效率，而随着淡水的短缺，这些局限逐渐被淡化和忽视。水处理技术的发展拥有巨大的前景，许多国家都在实施水处理的政策和项目。根据全球知名增长咨询公司的预测，至2010年，全球水资源管理和污水处理技术市场规模预计将达到3，500亿美元。 目前先进的水管理和污水处理技术及其发展趋势包括了循环用水、反渗透海水淡化和臭氧化等。例如，反渗透海水淡化技术正在迅速占领的大型设施市场，而这一领域过去主要以热工过程设备为主。
处理效率的提升和渗透膜价格的回落，促使反渗透海水淡化市场在过去5年中迅速发展，现在应用反渗透海水淡化技术的已不再是小规模的工厂，大型反渗透海水淡化厂已是司空见惯。 在污水处理方面，澳大利亚的研究人员在生物发电领域提出了一种新的旋转生物电化学接触器，这项技术能够将已经运用于污水处理行业30年的旋转生物污水处理技术的效率提高15%；此外，一种能够处理高污染废水的技术也已经问世，这种技术能够处理污染物浓度超过300，000ppm的污水，而处理成本仅有原先通过储存和化学处理方法的十分之一。这种技术目前被认为是最简单、最易于使用及经济的处理技术. 中国目前同样也面临巨大的淡水短缺和水污染的问题。作为一个人均拥有水资源量最小的国家，必须采取措施以避免未来严重危机的发生。中国北方缺水问题极度严重，因此国家启动了浩大的“南水北调”工程，整个工程耗资达到几十亿美元，预计2050年建成。污水问题同样困扰着中国，估计有3亿人口的饮用水是被污染的。2004年至2008年，污水排放量年增长率达到18%，从482亿吨增长至572亿吨。预计在2010年，中国的污水排放将达到640亿吨。中国持续的工业化、城市化进程和经济的快速增长，是导致污水排放量连年上升的主要原因；而与此相对的是，中国的污水处理厂却基本上未能实现满负荷的运行。以2008年为例，中国污水处理厂的处理污
概念性方案设计文件编制及深度要求 第一部分概述 按照管理本部的设计管理流程要求，概念性方案设计是承接项目和产品的设 计阶段，概念性方案设计在概念性方案设计任务书和项目产品建议问题总结的基 础上，设计思路应具有延续性、探索性、独创性和挑战性。 1．方案设计文件编制的目的和特点 a)概念性方案阶段的任务包括以下两大方面： i.根据项目的实际情况，确定设计管理模式，起主要工作成果体现在 设计任务分解清单和设计费用预算、项目设计总体控制计划以及设 计单位的筛选；有关项目设计总体控制计划的编制要求可以参照《项 目规划设计分析成果标准》相关章节执行； ii.通常意义上的概念性方案设计。对概念性方案设计本身的要求可以参照本文执行； b)概念性方案可以根据需要结合当地政府报批所需的修建性详规设计，概 念性方案深度以修建性详规深度为参照依据。设计内容在体现概念性方 案设计任务书的基础上，应围绕修建性详规、场地分析和住宅单体选型 的要求进行，表现手法可根据报批或者项目具体需要灵活确定。 c)概念性方案设计文件包括设计单位或分公司规划设计部提供的： i.设计单位提供的概念性方案设计文件应以构思分析草图、场地分析 草图、住宅单体风格以及户型选型示意图和总平面设计构思图纸为 主，辅以对整体概念构思的的简要设计说明； d)概念性方案设计文件以说明如何实现甲方策划意图和设计的整体构思为 主，结合政府报批要求及公司内部要求可以采用灵活的表现手法，为充 分展示设计意图、特征和创新之处，可以有分析图草图、总平面及单体 建筑图、透视图，还可根据项目需要增加模型、电脑动画、幻灯片等。
2．概念性方案设计文件的内容与编排 概念性方案设计应包含以下两大组成部分，分别由设计单位和分公司规划设计部提供。 a)设计方应该提供概念性方案构思说明书、设计图纸、透视图三部分，编 排顺序为： i.封面：写明方案名称、设计单位、设计年月； ii.扉页：注明方案编制单位的行政和技术负责人、设计总负责人、概念性方案设计人，并经上述人员签署或授权盖章；以上人员需加注 专业技术职称，本部分必要时需附透视图或者模型照片； iii.概念性方案设计文件目录； iv.概念性方案构思说明：由总说明和各专业构思说明组成；具体要求可参照国家修建性详细规划的设计说明格式，并应考虑增加结合项 目实际情况的设计内容说明； v.主要技术经济指标：主要指总建筑面积、容积率、各分类建筑面积、各类住宅每户单元建筑面积等；设计单位应该完成《概念设计任务 书》中的各类统计表格。同时，分公司规划设计部负责人应该审核 上述数据的真实性； vi.设计图纸：主要由规划总平面图、以及道路、竖向、管线、绿化景观、土方平衡等总图类图纸，以及建筑专业图纸组成，可参见第二 部分概念性方案图纸目录； b)分公司设计部应对概念性方案做出完整的书面评估意见； c)如设计合同以及设计任务书中有特别的约定，其设计文件的编制，应按 照招标的规定和要求执行。 3．概念性方案设计文件的规格与装订 概念性方案设计文件主要是公司内部根据本规定或者设计任务书的约定制作，以下为主要编制原则： a)一般项目应按设计说明书、主要技术经济指标、设计图纸、分析说明， 共四部分。复杂项目每部分可以独立分册装订；
采矿工程学科前沿与进展 ——深部技术开采及发展趋势 姓名： 班级：采矿1101班 学号：1111104007
深部技术开采及发展趋势 随着浅部资源的逐渐消耗殆尽，矿产资源开发向深部发展将成为一种趋势。根据矿床开采工作所面临的地压问题，可按开采深度将矿山分为以下几类。 开采深度小于300m，称浅井开采。在此深度内采矿时，一般地压显现不严重，即使发生地压活动，也属静压问题，易于处理。 开采深度300～800m，称为中深井开采。根据矿体赋存条件、矿岩的物理力学性质，在掘进或开采过程中，可能发生轻度岩爆，如岩石弹射等现象。 开采深度超过800m，为深井开采。在此深度内具有二类变形特征的岩石会发生频繁的岩爆，影响作业安全。 与浅井或中深井开采相比，深井(含超深井)开采这一特殊环境将带来一系列安全问题，主要包括岩爆(即在压力作用下，岩石发生爆裂的现象)、高温、采场闭合和地震活动等，其中尤以岩爆为丰要危害。 预计随着浅部资源町供开发量的减少，深部资源勘探技术发展获得更多深部可开采资源，这一比例将会呈逐步减小的趋势。当代露天采矿工艺的技术发展趋势是开采工艺的综合化。采剥工艺的选择，贵在因地制宜。对于范围广阔、能力巨大的大型矿山，针对不同开采深度、不同地段、不同开采对象的特点，采用不同开采工艺，并组成综合工艺，以实现优化开采效果，已成为现代露天矿山的发展趋势。将机械化、自动化、通信、计算机及优化理论等多学科交叉应用，通过研究、开发，实现露天开采生产的自动调度，生产计划和过程的优化，开拓运输系统和采装系统的优化将是露天开采常用的计划、生产管理手段；在未来几年，数字矿山技术将会得到普及。2.2 地下开采工艺地下开采虽然产量比例小，但数量多，西方国家有地下矿 365 座(2002 年数据)，其中多为小型但却高效的矿山。尽管如此，许多地下矿山十分巨大并装备有非常精致的设备和较高的自动化水平。对传统主要采矿方法的不断改进是地下开采工艺的发展趋势。如大间距集中化无底柱参数的进一步扩展，充填采矿技术中新的充填材料和充填工艺的研究，自然崩落法技术的完善与应用范围的扩展等等；针对特定矿体改进的采矿技术将会不断出现。由于易采资源耗竭，勘探深度的加深，将越来越多地开采深部矿体和难采矿体，深井开采技术、复杂难采矿体开采技术将是今后几年研究的重点，在理论研究和系统开采技术方面都将取得突破。深井开采的岩爆、矿震、冲击地压等动力灾害是深部开采中面临的突出问题，除此之外，安全技术、地质构造、采场布置与采矿方法、降温与通风、采场支护、超深竖井掘进、钢绳提升和无绳提升等都是深部开采面临的关键问题。 对此，深部开采岩爆、矿震、冲击地压等动力灾害控制、预报与防治技术，深部开采的采、掘技术，深部开采通风与降温技术将在对正在或逐步进行的深井矿山开采技术研究及理论研究的基础上获得快速发展。难采矿开采面临一系列特殊的技术难题。如松散破碎矿体顶板与围岩稳定性控制技术，流砂含水层覆盖的
高频+多核的竞赛主流ARM处理器性能深度 测试 正文 我来说两句(已有2人参与) 2012-9-14 19:00:24 类型：原创 来源：电脑报 报纸编辑：黎坤 作者：黎坤 [摘要]作为一个智能手机或平板电脑用户，在浏览网页、玩游戏时有没有遇到过不流畅，甚至失去响应的情况？你是否有过“处理器性能不足”的猜疑？在这个ARM处理器业已进入多核心的时代，与x86架构只有英特尔和AMD两个选择不同，ARM架构处理器有非常多的厂商涉猎——高通、三星、德州仪器、NVIDIA、意法半导体……让人头晕目眩。本文的最终目的也就是为大家逐一点明当前主流ARM处理器的性能，以方便大家参考选择。 作为一个智能手机或平板电脑用户，在浏览网页、玩游戏时有没有遇到过不流畅，甚至失去响应的情况？你是否有过“处理器性能不足”的猜疑？在这个ARM处理器业已进入多核心的时代，与x86架构只有英特尔和AMD两个选择不同，ARM架构处理器有非常多的厂商涉猎——高通、三星、德州仪器、NVIDIA、意法半导体……让人头晕目眩。本文的最终目的也就是为大家逐一点明当前主流ARM处理器的性能，以方便大家参考选择。 品牌琳琅满目双核已成主流 ARM架构处理器的开发成本较低，ARM公司只是设计原始架构，而具体产品则授权给如高通、德州仪器、NVIDIA、三星等研发能力突出的芯片制造商，并且通过对不同用户的需要来设计出有针对性的芯片组。但这也就导致了一个问题——产品命名复杂，大多数用户都很难分辨其中差异，不过不用担心，看完本文你就会有一个清晰的思路了。
随着时间的推移，目前的手持设备已经彻彻底底地进入了双核时代。市面上在售的主流平板中不仅有采用国外厂商芯片组的产品，也有采用国内解决方案的产品出现。接下来我们就先来介绍今天参与测试的各款ARM处理器吧。 四核心组 NVIDIA Tegra 3 代表机型：LG Optimus 4X HD、HTC One X 这是一颗值得隆重介绍的ARM处理器，NVIDIA无疑是为数不多，在PC与手持设备端均有所建树的厂商，而Tegra 3采用了4+1核心的设计，这种特殊的架构被称为vSMP技术，它会根据手机实际运行时的状态，在需要高性能时四核启动，低功耗时则由单核来运算。根据官方介绍，Tegra 3的CPU性能最高可达Tegra 2的5倍，“已达PC级别，赶超PC端的Core 2 Duo T7200”。内部集成的GeForce GPU包含12个流处理器。同时，其四核理论功耗也比双核的Tegra 2更低。
概念性方案设计深度要求 项目概念性方案设计成果及深度除满足国家建设部〈建筑工程设计文件编制深度的规定〉中有关的要求外，同时必须满足甲方以下要求。 一、设计成果： 1.设计说明及图纸8套：统一按A3规格印制、装订 概念设计方案图纸目录
概念设计方案图纸深度要求： 1.总平面图 1)标明用地界限、道路红线、周边道路名称、指北针； 表明地下室边界和出入口位置；2) 标明建筑单体的层数和退线，建筑单体体块和建筑间距要3)用真实 尺寸； 4)表明小区道路的性质、位置、与城市道路接口的位置以及道路中 车行道、绿化带及人行道的划分并标明道路红线宽度。 5)表明停车位位置和停车数目； 表明景观绿地和水系的性质、等级和边界。6) 2.功能分区与产品类型分布图 1)明确住宅和公建分区；排布适宜地块档次与形态的住宅产品。 2)描述公建配套设施设置位置、规模、占地和内容； 3)根据现有市政配套情况选择设置各类技术配套设施（煤气调压站、变电站、垃圾中转站、水泵房、物业管理用房），通过明显的图例描 述这些设施的名称、位置及规模。
3.交通、消防分析图 1)根据道路设计宽度，示意性表达路网分级，标明小区道路与城市道路接口的位置，并完成各级道路的道路断面放大图。 2)对用地已有道路进行功能定位，通过明显的图例区别表示车行道及人行道。 非机动车流线和人行流线通过不同的图例表达各种机动车流线、3)．的分级与方向设计。 4)通过不同的图例表示满足设计指标要求的机动车与非机动车的各种停车方式、位置、规模与数量。 5)表明满足消防要求的车道和场地设计。 若单张图纸无法清楚表达上述设计内容时，应分成若干张图纸分别表达。 4.分期开发分析图 1)应表明分期开发的范围、顺序。分析分期开发的地块价值、交通可行性、公建配套分布、景观分期利用、施工难易度、物业管理的可行性； 2)各分期地块应有经济技术指标数据的统计； 应体现分期销售卖场的统一规划构想，并标明首期卖场的3)选址。 5.典型组团单元分析图 应体现典型组团单元、庭院或邻里单元大体的户型配置、朝向、间距、转角、入口的关系。 6.物业管理模式分析图
“研学旅行”实施方案 一、项目实施背景 从2013年发布《国民休闲旅游纲要》到2016年的《关于推进中小学生研学旅行的意见》，国家教育部等多部门发文要求大力推进研学旅行。研学旅行有利于促进学生培育和践行社会主义核心价值观，激发学生对党、对国家、对人民的热爱之情；有利于推动全面实施素质教育，创新人才培养模式，引导学生主动适应社会，促进书本知识和生活经验的深度融合；有利于加快提高人民生活质量，满足学生日益增长的旅游需求，从小培养学生文明旅游意识，养成文明旅游行为习惯。近年来，各地积极探索开展研学旅行，部分试点地区取得显著成效，在促进学生健康成长和全面发展等方面发挥了重要作用。二、定位与宗旨 目前大多数研学旅行还处在研究开发状态，良莠不齐，市场认可度不够，家长热度不高（尤其省内）。这是我们的机遇，也是挑战，我们的定位是要打造出一个学校认可、家长认可、学生认可的研学品牌，让学生在研学中学到东西。 三、具体实施 （一）方案A：纯旅游研学 本方案以若干旅游景点为研学地点，前期采取跟旅行社合作的方式（合作方式有待探讨），研学的核心（课件+“内容”）内容采取跟大学历史系或者旅游系的老师合作。 该方案的优点：该方案采用跟旅行社合作，研学路线可以借用
旅行社的优势，资源充分整合，老师和家长的路线选择多，可以极大丰富学生的课外知识，并且可以开展夏令营和冬令营活动。缺点是要综合考虑各个年龄段的学生，路线过多，会导致前期工作准备不够充足。 方案细节初步安排如下： 1、前期工作（3月20日-3月30日）： （1）与某个旅行社达成合作关系（目前有合作意向的有康辉旅行社）； （2）与某个大学的历史或者旅游系老师达成合作关系，负责研学核心内容的开发，包括路线的选择和内容的开发 （3）完成计划的策划和确定具体实施细节。 2、中期工作（4月1日-5月30日） （1）4月1日-4月15日与旅行社和老师确定最终的研学路线； （2）4月15日-5月30日一个半月的时间根据最终具体的研学路线，来做具体的研学课件和研学内容，研究出研学到底应该让学生学到什么，怎么保证学生能学到这些； （3）同时根据最终确定的研学方案做好定价方案，在这个过程中要充分进行调研，进学校、访家长，做到收费合理； （4）根据做好的方案做好线上推广，把做好的资料全部上传到线上，可以参考北京世纪明德。
盖洛普Q12 测评法—最经典的员工 敬业度测评工具 欧阳歌谷（2021.02.01） 1. 概念含义 1.1.基本含义 盖洛普曾经花了 60 年时间对企业成功要素的相互关系进行了深入的研究，建立了描述员工个人表现与公司最终经营业绩之间的路径，即盖洛普路径。显然，一个公司的股票增长是依赖于公司的实际利润的增长，而实际利润的增长取决于营业额持续增长。多数企业只关注最上面的这三个财务指标，但是当这些指标发生时，已经成为过去，故称为后滞指标。而其它前导指标正是产生后滞指标的根本原因。公司营业额的增长是源于我们有一定的忠实顾客群和愿意为他们服务的员工，这些高度敬业的员工又源于优秀经理的管理，而优秀经理的选拔则归于公司的知人善用。从整个路径中可以看出，我们只有从“发现优势”到“忠实客户”的前导指标达到先进水平后，才能改进后三个阶段的关键业绩。 Q12 就是针对前导指标中员工敬业度和工作环境的测量，盖洛普通过对12个不同行业、24 家公司的2500 多个经营部门进行了数据收集。然后对它们的105，000 名不同公司和文化的员工态度的分析，发现这12 个关键问题最能反映员工的保留、利润、效率和顾客满意度这四个硬指标。这就是著名的Q12。
盖洛普认为，对内没有测量就没有管理，因为你不知道员工怎么敬业、客户怎么忠诚。盖洛普拥有员工自我评测忠诚度和敬业的指标体系，Q12 就是员工敬业度和参与度的测量标准。 盖洛普还认为，要想把人管好，首先要把人看好，把人用对。给他创造环境，发挥他的优势，这是管人的根本。用中国的话来说使每个员工产生“主人翁责任感”--盖洛普称作敬业度，作为自己所在单位的一分子，产生一种归属感。 盖洛普公司发明的Q12 方法在国际大企业中引起了很大反响，其主旨是通过询问企业员工12 个问题来测试员工的满意度，并帮助企业寻找最能干的部门经理和最差的部门经理。 盖洛普在用Q12 方法为其他公司提供咨询时，这套方法早已在盖洛普公司得到检验。所有盖洛普员工，每年要接受两次Q12 检验，经理们还会与员工进行很多交流，来确保公司队伍的优秀和寻找优秀的部门经理。 1.2.来源 盖洛普公司的两位专家马库斯·白金汉与柯特·科夫曼他们在 1999 年出版了一本很有新意的畅销书《首先，打破一切常规》。他们曾对不同行业的大批优秀经理进行过深入研究。在书中，他们将自己的研究发现与盖洛普独创的评测和管理基层员工工作环境的工具Q12 结合在一起，全面展示了Q12 的魅力。这12个貌似简单的问题，居然可以有效地识别出一家企业最优秀的部门，也证明了员工民意与企业生产效率、利润率、顾客满意度和员工保留率之间的关联。 2. 作用特点 盖洛普Q12 有如下特点： 1、简明扼要，突出重点，易于操作。
建设部建质（2003）84号文件 建筑工程设计文件编制深度规定 2 0 0 3 年6 月1 日起施行 （关于方案设计部份） （一）总则 一、为加强对建设工程设计文件编制工件的管理，保证各阶段设计文件的质量和完整性，特制定本规定。 二、本规定适用于民用建筑工程设计。对于一般工业建筑（房屋部份）工程设计，设计文件编制深度除满足本规定适用的要求外，尚应符合有关行业标准的规定。 三、民用建筑工程一般应分为方案设计、初步设计和施工图设计三个阶段。对于技术要求简单的民用建筑工程，经有关主管部门同意，并且合同中有不做初步设计的约定，可在方案审批后直接进入施工图设计。 四、各阶段设计文件编制深度应按以下原则进行： （1）方案设计文件，应满足编制初步设计文件的需要。注：对于投标方案，设计文件深度应满足标书要求。若标书无明确要求，可参照本规定的有关条款。 （2）初步设计文件，应满足编制施工图设计文件的需要。 （3）施工图设计文件，应满足设备材料采购、非标准设备制作和施工的需要。对于将项目分别发包给几个设计单位或实施设计分包的情况，设计文件相互关联处的深度应当满足各承包或分包单位设计的需要。 五、在设计中宜因地制宜正确选用国家、行业和地方建筑标准设计，并在设计文件的图纸目录或施工图设计说明中注明被应用图集的名称。重复利用其它工程的图纸时，应详细了解原图利用的条件和内容，并作必要的核算和修改，以满足新设计项目的需要。 六、当设计合同对设计文件编制深度另有要求时，设计文件编制深度应同时满足本规定和设计合同的要求。 七、本规定对设计文件编制深度的要求具有通用性。对于具体的工程项目设计，执行本规定时应根据项目的内容和设计范围对本规定的条文进行合理的取舍。 八、本规定不作为各专业设计分工的依据。本规定某一专业的某项设计内容可由其它专业承担设计，但设计文件的深度应符合本规定要求。 （二）方案设计 一、一般要求 （1）方案设计文件 1、设计说明书，包括各专业设计说明以及投资估算等内容。 2、总平面图以及建筑设计图纸。 3、设计委托书或设计合同中规定的透视图、鸟瞰图、模型等。 （2）方案设计文件的编排顺序 1、封面：写明项目名称、编制单位、编制年月。 2、扉页：写明编制单位法定代表人、技术总负责人、项目总负责人的姓名，并经上述人员签署或授权盖章。 3、设计文件目录。 4、设计说明书。 5、设计图纸。
建筑工程设计文件编制深度规定 (方案设计部分) 2016年11月
2 方案设计 2.1 一般要求 2.1.1 方案设计文件。 1 设计说明书，包括各专业设计说明以及投资估算等内容；对于涉及建筑节能、环保、绿色建筑、人防等设计的专业，其设计说明应有相应的专门内容； 2 总平面图以及相关建筑设计图纸（若为城市区域供热或区域燃气调压站，应提供热能动力专业的设计图纸，具体见2.3.3条）； 3 设计委托或设计合同中规定的透视图、鸟瞰图、模型等。 2.1.2方案设计文件的编排顺序。 1 封面：写明项目名称、编制单位、编制年月； 2 扉页：写明编制单位法定代表人、技术总负责人、项目总负责人及各专业负责人的姓名，并经上述人员签署或授权盖章； 3 设计文件目录； 4设计说明书； 5设计图纸。 2.1.3 装配式建筑技术策划文件。 1技术策划报告，包括技术策划依据和要求、标准化设计要求、建筑结构体系、建筑围护系统、建筑内装体系、设备管线等内容； 2技术配置表，装配式结构技术选用及技术要点； 3经济性评估，包括项目规模、成本、质量、效率等内容； 4预制构件生产策划，包括构件厂选择、构件制作及运输方案，经济性评估等。 2.2 设计说明书 2.2.1 设计依据、设计要求及主要技术经济指标。 1 与工程设计有关的依据性文件的名称和文号，如选址及环境评价报告、用地红线图、项目的可行性研究报告、政府有关主管部门对立项报告的批文、设计任务书或协议书等； 2设计所执行的主要法规和所采用的主要标准（包括标准的名称、编号、年号和版本号）； 3 设计基础资料，如气象、地形地貌、水文地质、抗震设防烈度、区域位置等； 4 简述政府有关主管部门对项目设计的要求，如对总平面布置、环境协调、建筑风格等方面的要求。当城市规划等部门对建筑高度有限制时，应说明建筑、构筑物的控制高度（包括最高和最低高度限值）； 5 简述建设单位委托设计的内容和范围，包括功能项目和设备设施的配套情况； 6 工程规模（如总建筑面积、总投资、容纳人数等）、项目设计规模等级和设计标准（包括结构的设计使用年限、建筑防火类别、耐火等级、装修标准等）； 7主要技术经济指标，如总用地面积、总建筑面积及各分项建筑面积（还要分别列出地上部分和地下部分建筑面积）、建筑基底总面积、绿地总面积、容积率、建筑密度、绿地率、停车泊位数（分室内、室外和地上、地下），以及主要建筑或核心建筑的层数、层高和总高
江南营-江南深度研学之旅（1)
————————————————————————————————作者：————————————————————————————————日期:
诗梦江南，入画寻踪 ——长清区实验小学江南深度研学实践 之旅 【课程简介】 一道水,一架桥，一支橹声,隽秀婉约的杭州绍兴聚合了太多的历史文化。此次研学活动旨在让同学们了解祖国江南，同时感受一场从远古传说，到春秋的吴越文化，到南北朝的文人风骨,再到明清以及近代的大儒伟人的历史盛宴。活动中，同学们将一起寻访王羲之、蔡元培、鲁迅、周恩来等名人伟人故里,穿越历史,陶冶爱国之志,体悟文化魅力；一起走进沈园,欣赏宋代江南私家园林的秀美景观，探寻园林蕴含的文化内涵；一起游历西湖,领略“淡妆浓抹总相宜”的如画美景；一起走进综合性人文科学博物馆浙江博物馆、中国黄酒博物馆，全面了解浙江历史文化。 【课程特色】 ●文化名镇江南风采 ●穿越时空触摸历史 【行程简表】 时间课程安排课程主题课程链接 第一天上午乘坐高铁前往杭州:车次G63 济南-杭州东 0７:23-1１：５３辅导员接站读万卷书行万里路下午参观钱塘江、六和塔看天下第一潮登镇潮六和塔追寻江畔的历史故事 晚上研学课程指导分组讨论课程，研学收获分享 实践－辅导员指导学生完成课程手 册 第二天上午 游历杭州西湖置身如画美景感受西湖柔情参观苏堤、孤山、曲院风荷 浙江博物馆参观历史展品考察浙江文化感受历史文化的沉淀 下午灵隐寺、飞来峰登山览胜景寺宇悟佛心登山参观庙宇,了解佛教文化 晚上研学课程指导分组讨论课程，研学收获分享实践-辅导员指导学生完成课程手册 第三天上午探访鲁迅故里探寻书中世界亲访三味书屋追寻鲁迅先生的足迹 下午 游览沈园漫步江南园林,探寻文化内涵 人文－体味江南风情/建筑-江南园林建 筑风格 参观黄酒博物馆参观历史文物体悟江南魅力历史-绍兴历史文化 晚上 大善塔 仓桥直街 漫步古城小道欣赏绍兴夜色实践-实地感受，见景抒情 第四天上午书圣故里历史街区历游文人旧地感受文化魅力人文-文人旧所、大家荟萃
深度学习人工智能在无人驾驶上的应用 LG GROUP system office room 【LGA16H-LGYY-LGUA8Q8-LGA162】
深度学习人工智能在无人驾驶上的应用 摘要⑹錾疃妊?习的概念及深度学习人工智能在环境感知技术上的应用，详细阐述深度学习的工作原理以及其应用前景。 关键词人工智能无人驾驶环境感知技术深度学习中图分类号：TP29 文献标识码：A 机器深度学习是近年来在人工智能领域的重大突破之一，它在语音识别、自然语言处理、计算机视觉等领域都取得了不少成功。由于车辆行驶环境复杂，当前感知技术在检测与识别度方面无法满足无人驾驶发展需要，深度学习被证明在复杂环境感知方面有巨大优势。 视觉感知技术是无人驾驶的核心技术。 无人驾驶一般包括四个等级或者五个等级，不管哪个等级都会包含环境感知、规划决策和执行控制等三个方面。其中环境感知方式主要有视觉感知、毫米波雷达感知和激光雷达感知，其中的视觉感知是无人驾驶感知的最主要的方式。 中国的路况较为复杂，雨天、雾霾天以及下雪天。另外，像马车、吊车以及摩托车，还有摩托车拉猪、卡车拉树的现象在我们生活中经常遇到，这些场景对视觉是一个
难题，提高这种复杂路况下的感知精度是无人驾驶研究的挑战。 1深度学习能够满足复杂路况下视觉感知的高精度需求 深度学习被认为是一种有效的解决方案，深度学习是模拟人的大脑，是近10年来人工智能取得一个较大的突破。深度学习在视觉感知中近几年应取得了较大的进展，相对于传统的计算机视觉，深度学习在视觉感知精度方面有比较大的优势。 特别是2011年以后，有报导指出深度学习如果算法和样本量足够的话，其准确率可以达到%以上，传统的视觉算法检测精度的极限在93%左右。而人的感知，也就是人能看到的准确率一般为95%，所以从这个方面看，深度学习在视觉感知方面是有优势的。 所谓深度学习，又名深度神经网络，相对于以前的神经网络来说是一种更多层和节点的神经网络机器学习算法，从这儿可以看出来，其实深度学习是一种机器学习，可以说是一种更智能的机器学习。深度学习主要类型一般包括5种类型，像CNN、RNN、LSTM、RBM和Autoencoder，其中我们主要的是用的CNN，CNN另外一个名字叫卷积神经网络。卷积神经网络已经被证明在图像处理中有很好的效果。
人工智能技术及其发展趋势100分 1.关于专用人工智能与通用人工智能，下列表述不当的是（）。（3.0分） A.人工智能的近期进展主要集中在专用智能领域 B.专用人工智能形成了人工智能领域的单点突破，在局部智能水平的单项测试中可以超越人类智能 C.通用人工智能可处理视觉、听觉、判断、推理、学习、思考、规划、设计等各类问题 D.真正意义上完备的人工智能系统应该是一个专用的智能系统 我的答案：D√答对 2.（）是人工智能的核心，是使计算机具有智能的主要方法，其应用遍及人工智能的各个领域。（ 3.0分） A.深度学习 B.机器学习 C.人机交互 D.智能芯片 我的答案：B√答对 3.（）是自然语言处理的重要应用，也可以说是最基础的应用。（3.0分） A.文本识别 B.机器翻译 C.文本分类 D.问答系统 我的答案：C√答对 4.（）是指直接通过肢体动作与周边数字设备和环境进行交互。（3.0分）
A.体感交互 B.指纹识别 C.人脸识别 D.虹膜识别 我的答案：A√答对 5.（），中共中央政治局就人工智能发展现状和趋势举行第九次集体学习。（3.0分） A.2018年3月15日 B.2018年10月31日 C.2018年12月31日 D.2019年1月31日 我的答案：B√答对 6.立体视觉是（）领域的一个重要课题，它的目的在于重构场景的三维几何信息。（3.0分） A.人机交互 B.虚拟现实 C.自然语言处理 D.计算机视觉 我的答案：D√答对 7.下列选项中，不属于生物特征识别技术的是（）。（3.0分） A.步态识别 B.声纹识别 C.文本识别 D.虹膜识别
我的答案：C√答对 8.（）是通过建立人工神经网络，用层次化机制来表示客观世界，并解释所获取的知识，例如图像、声音和文本。（3.0分） A.深度学习 B.机器学习 C.人机交互 D.智能芯片 我的答案：A√答对 9.生物特征识别技术不包括（）。（3.0分） A.体感交互 B.指纹识别 C.人脸识别 D.虹膜识别 我的答案：A√答对 10.下列对人工智能芯片的表述，不正确的是（）。（3.0分） A.一种专门用于处理人工智能应用中大量计算任务的芯片 B.能够更好地适应人工智能中大量矩阵运算 C.目前处于成熟高速发展阶段 D.相对于传统的CPU处理器，智能芯片具有很好的并行计算性能 我的答案：C√答对 1.一般说来，人工智能技术包括（）。（4.0分）） A.深度学习、机器学习
USB供电深度测试 2011-10-12 10:24 USB供电深度测试 USB供电不足问题，相信很多朋友们或多或少也因为类似的情况而烦恼过，其实，USB供电不足的问题一直伴随着USB的发展。类似事件频频发生，然而一直以来USB供电不足的问题始终没有得到很好的解决，给用户带来不少的烦恼，尤其是对于一些入门级用户和电脑门外汉，情况不容忽视。那究竟是什么原因造成供电不足的呢？本文将主要通过测试市面上一些常用的USB2.0设备的供电表现，让更多用户朋友都能了解目前市场主流USB2.0设备的供电情况。 USB针脚定义以及规格 USB是Universal SerialBUS（通用串行总线）的缩写。1996年底由英特尔、康柏、IBM、Microsoft等多家公司联合推出了USB1.0接口规范。时至今日已经过去13个年头。在电脑普及的今天，USB设备在我们的日常生活中随处可见，是应用最广泛的接口规范之一。USB接口规范在发展的过程中也经历了几次升级和改进，从最初的USB1.0升级到了USB1.1，再到目前主流的USB2.0规范，一直到刚刚问世不久的USB3.0。 接下来主要了解下USB2.0和USB3.0的针脚定义及规格。
USB2.0针脚定义：其中针脚1和针脚4负责供电，理论上提供能提供500mA的电流；针脚2和针脚3负责数据传输，USB2.0理想传输速率是4.8Gb/s（约480m/s）。 以上就是我们常见常用的几种USB2.0接口规格，而在后面的测试中笔者主要用到“类型A”和“Mini-B”2种接口设备。
USB 3.0采用了9针脚设计，为了向下兼容USB2.0，其中四个针脚和USB 2.0的形状、针脚定义均完全相同（图中有误，信号线D+与D-颠倒了）。另外5根是专门为USB 3.0的传输加速，称之为：Super Speed。
1.1设计深度及范围 本次招标, 中标单位应提交提供全套施工图设计图纸。 施工图设计范围: 总平面图设计、竖向设计、室外管线设计及各单体建筑、结构、给排水、电气、建筑智能化、采暖、燃气等各专业工程设计。 一、设计内容: (一)配合规划设计单位的规划方案, 完成每次向政府规划局 报批工程规划审批手续所需总平面布置图、竖向图、 单体及户型深化设计图和综合设计说明等相关工作。 (二)建筑单体施工图设计: 建筑、结构、内外部装修配 合、给排水系统、暖通系统( 包中心主建筑的空调系 统及住宅采暖系统等) 、电气系统、消防系统( 包含 水、消防监控、消防广播、防排烟等) 、有线电视 系统、通讯系统等施工图设计。 (三)地下室施工图设计: 建筑、结构、基本装修、给排水 系统( 包含冬季防冻保护) 、暖通系统、电气系统 ( 含消火栓、喷淋、给排水冬季防冻电伴热系统) 、 消防系统( 包含水、消防监控、消防广播等) 、雨水 蓄水池等施工图设计等( 含配合人防施工图设计) 。
(四)园区综合管网设计: 红线内给水管网、排水管网( 含化 粪池) 、雨水管网、雨水采集管网、中水管网、供 热管网、燃气管网(与专业设计公司配合预布置)、变 电亭和供电路经( 与专业设计公司配合并预布置) 、有 线电视网络和路径( 与专业设计公司配合并预布置) 、 通讯网络和路径( 与专业设计公司配合并预布置) 、绿 化景观深化设计及配合的园内给排水、绿化喷灌管网、 园内公共照明、动力配电、广场道路及铺装、景观结 构、小区围墙等施工图设计。 (五)保安监视系统施工图设计( 含电梯内、地下停车场、 室外主要道路及景观、小区出入口等) 。 (六)消火栓防盗警报系统施工图设计。 (七)封闭小区周边红外护防系统施工图设计。 (八)停车场管理系统( 含封闭小区人员出入及车辆出入管理 系统设计) 施工图设计。 二、设计深度 设计深度的一般性要求( 但不限于此, 除应满足建设部建质[ ]84号文《建筑工程设计文件编制深度的规定》外, 还应以满足甲方要求和施工实际需要)