删除或更新信息,请邮件至freekaoyan#163.com(#换成@)

GA优化ELM神经网络的排水管道缺陷诊断

本站小编 Free考研考试/2021-12-04

GA优化ELM神经网络的排水管道缺陷诊断

郑茂辉1,刘少非1,2

(1.同济大学 上海防灾救灾研究所,上海 200092; 2.同济大学 土木工程学院,上海 200092)



摘要:

为及时发现排水管道安全隐患,准确掌握管道状况,结合极限学习机(extreme learning machine,ELM)神经网络和管道闭路电视(closed circuit television,CCTV)检测,建立一个数据驱动的排水管道缺陷诊断模型.采用遗传算法(genetic algorithm,GA)优化ELM神经网络的输入权值矩阵和隐含层偏置,改善网络参数随机生成带来的ELM模型输出不稳定、分类精度偏低的问题.以上海市洋山保税港区排水管道破裂、渗漏等主要结构性缺陷的诊断为例,对GA-ELM模型进行仿真分析,并与ELM模型诊断结果进行对比.结果表明,GA-ELM模型能够更好地识别管道缺陷,获得更佳的分类性能,参数优化提高ELM模型的拟合能力和泛化能力,可应用于城市排水管道状况评价,为排水管网养护计划和修复计划的制订提供技术依据.

关键词:  排水管道  缺陷诊断  极限学习机  遗传算法  神经网络  CCTV检测

DOI:10.11918/201908056

分类号:TU992

文献标识码:A

基金项目:国家重点研发计划项目(2016YFC0,7YFC0803300)



Defect diagnosis of urban drainage pipelines based on GA optimized ELM neural network

ZHENG Maohui1,LIU Shaofei1,2

(1.Shanghai Institute of Disaster Prevention and Relief, Tongji University, Shanghai 200092, China; 2.College of Civil Engineering, Tongji University, Shanghai 200092, China)

Abstract:

To detect the potential risks of drainage pipelines and accurately grasp the pipeline conditions, a data-driven defect diagnosis model was established by combining optimized extreme learning machine (ELM) neural network and closed circuit television (CCTV) inspection. Genetic algorithm (GA) was adopted to optimize the input weight matrix and the hidden layer offset of ELM neural network, which helps to solve the problems of unstable output and low classification accuracy of ELM neural network caused by random generation of network parameters. Taking the drainage pipeline dataset from Yangshan Free Trade Port Area in Shanghai as an example, the proposed GA-ELM model was conducted to identify and diagnose major structural defects, such as pipe rupture, disconnect, and leakage. The results of the GA-ELM model were compared with those of ELM model on the same dataset. It shows that the GA-ELM model achieved better classification performance by utilizing same neuron nodes in the hidden layer, and the optimization of parameters improved the fitting capability and generalization ability of the ELM model. Therefore, the proposed method is applicable to defect diagnosis and evaluation of urban drainage pipes and can provide a technical basis for the formulation of drainage network maintenance plan and repair plan.

Key words:  drainage pipeline  defect diagnosis  extreme learning machine (ELM)  genetic algorithm (GA)  neural network  CCTV inspection


郑茂辉, 刘少非. GA优化ELM神经网络的排水管道缺陷诊断[J]. 哈尔滨工业大学学报, 2021, 53(5): 59-64. DOI: 10.11918/201908056.
ZHENG Maohui, LIU Shaofei. Defect diagnosis of urban drainage pipelines based on GA optimized ELM neural network[J]. Journal of Harbin Institute of Technology, 2021, 53(5): 59-64. DOI: 10.11918/201908056.
基金项目 国家重点研发计划项目(2016YFC0802400,2017YFC0803300) 作者简介 郑茂辉(1976—),男,副研究员 通信作者 郑茂辉,zmh@tongji.edu.cn 文章历史 收稿日期: 2019-08-06



Abstract            Full text            Figures/Tables            PDF


GA优化ELM神经网络的排水管道缺陷诊断
郑茂辉1, 刘少非1,2    
1. 同济大学 上海防灾救灾研究所, 上海 200092;
2. 同济大学 土木工程学院, 上海 200092

收稿日期: 2019-08-06
基金项目: 国家重点研发计划项目(2016YFC0802400,2017YFC0803300)
作者简介: 郑茂辉(1976—),男,副研究员
通信作者: 郑茂辉,zmh@tongji.edu.cn


摘要: 为及时发现排水管道安全隐患,准确掌握管道状况,结合极限学习机(extreme learning machine, ELM)神经网络和管道闭路电视(closed circuit television, CCTV)检测,建立一个数据驱动的排水管道缺陷诊断模型.采用遗传算法(genetic algorithm,GA)优化ELM神经网络的输入权值矩阵和隐含层偏置,改善网络参数随机生成带来的ELM模型输出不稳定、分类精度偏低的问题.以上海市洋山保税港区排水管道破裂、渗漏等主要结构性缺陷的诊断为例,对GA-ELM模型进行仿真分析,并与ELM模型诊断结果进行对比.结果表明,GA-ELM模型能够更好地识别管道缺陷,获得更佳的分类性能,参数优化提高ELM模型的拟合能力和泛化能力,可应用于城市排水管道状况评价,为排水管网养护计划和修复计划的制订提供技术依据.
关键词: 排水管道    缺陷诊断    极限学习机    遗传算法    神经网络    CCTV检测    
Defect diagnosis of urban drainage pipelines based on GA optimized ELM neural network
ZHENG Maohui1, LIU Shaofei1,2    
1. Shanghai Institute of Disaster Prevention and Relief, Tongji University, Shanghai 200092, China;
2. College of Civil Engineering, Tongji University, Shanghai 200092, China



Abstract: To detect the potential risks of drainage pipelines and accurately grasp the pipeline conditions, a data-driven defect diagnosis model was established by combining optimized extreme learning machine (ELM) neural network and closed circuit television (CCTV) inspection. Genetic algorithm (GA) was adopted to optimize the input weight matrix and the hidden layer offset of ELM neural network, which helps to solve the problems of unstable output and low classification accuracy of ELM neural network caused by random generation of network parameters. Taking the drainage pipeline dataset from Yangshan Free Trade Port Area in Shanghai as an example, the proposed GA-ELM model was conducted to identify and diagnose major structural defects, such as pipe rupture, disconnect, and leakage. The results of the GA-ELM model were compared with those of ELM model on the same dataset. It shows that the GA-ELM model achieved better classification performance by utilizing same neuron nodes in the hidden layer, and the optimization of parameters improved the fitting capability and generalization ability of the ELM model. Therefore, the proposed method is applicable to defect diagnosis and evaluation of urban drainage pipes and can provide a technical basis for the formulation of drainage network maintenance plan and repair plan.
Keywords: drainage pipeline    defect diagnosis    extreme learning machine (ELM)    genetic algorithm (GA)    neural network    CCTV inspection    
近20年来,中国排水管网系统发展迅速.随着管网规模的不断扩大和服役年限的增长,排水管道退化和缺陷问题也逐步凸显,有些管道缺陷直接导致路面塌陷、水体污染等严重事故,不仅影响城镇居民工作和生活,还对生命健康构成威胁.排水管道内部缺陷的识别、诊断是制定管网养护计划和修复计划的重要依据,也是城市安全运行监管的重要内容之一.

排水管道缺陷包括管道破裂、腐蚀、渗漏、变形等结构性缺陷,以及沉积、结垢、障碍物等功能性缺陷.管道闭路电视(closed circuit television, CCTV)检测是目前国内外用于管道状况检查最为成熟、有效、安全的技术手段.能直观反映和记录管道内部真实情况,通过管道影像的判读,识别内部缺陷类型、位置和等级,并做进一步评估分析[1].不过,CCTV检测要求对管道先进行一定清理,降低管内水位,前期工作量大;另外,主要依靠人工目测对管道内部状况和缺陷进行诊断评估,效率较低.国内外学者采用统计和机器学习方法研究建立了多种管道状况模型.例如,Micevski等[2]基于马尔科夫链构建雨水管道结构退化模型,并用贝叶斯方法进行校准;刘威等[3]结合全概率公式及线性腐蚀模型给出管线面积腐蚀率的概率密度随服役时间变化的解析表达式;Mashford等[4]建立了基于支持向量机的管道状况预测模型,并应用于澳大利亚阿德莱德市排水管网状况评价;Rober等[5]利用CCTV检测数据和随机森林算法,对加拿大圭尔夫市下水管道的结构性状态进行预测.此外,Tran等[6-7]利用神经网络模型预测排水管道的结构性状况和水力性状况.不过,已有研究更多的是对管道整体状况的建模,从结构性或功能性方面预测管道风险等级,具体缺陷类型的分类诊断和评价方面还有待更深入的研究.

鉴于管道退化和缺陷影响因素复杂,数据驱动的神经网络模型无需深入理解管道病害机理,通过数据样本监督学习即可建立管道缺陷状况同相关特征变量的关联模式,无疑具有良好的适用性和应用前景[8].极限学习机(extreme learning machine, ELM)是Huang等[9]基于Moore-Penrose矩阵理论提出的一种单隐含层前馈神经网络算法,相对传统的神经网络,具有结构简单、学习效率高、泛化能力强等优点.不过,ELM随机生成输入层权值以及隐含层节点偏置等网络参数的特点,可能造成部分隐含层节点的失效[10];其次,ELM分类预测精度与隐含层节点数密切相关,但过多隐含层节点数会导致模型泛化能力的下降,影响管道缺陷分类诊断的能力.

为此,采用遗传算法(genetic algorithm,GA)[11]优化ELM网络参数,充分利用管道基础数据和CCTV检测资料,建立一个新型的城市排水管道缺陷诊断模型,并以上海市洋山港保税区排水管道结构性缺陷的分类诊断为例开展实证研究,验证模型方法的适用性和有效性.

1 GA-ELM诊断模型 1.1 ELM原理设nLm分别为输入层、隐含层和输出层的节点数,给定N组任意的排水管道数据样本(xi, ti)∈Rn×Rm,ELM的输出可以表示为

${f_L}\left( \mathit{\boldsymbol{x}} \right) = \mathop \sum \limits_{i = 1}^L {\mathit{\boldsymbol{\beta }}_i}g\left( {\mathit{\boldsymbol{w}}{_i} \cdot {\mathit{\boldsymbol{x}}_j} + {b_i}} \right) = {\mathit{\boldsymbol{o}}_j}, j = 1, \ldots , N.$ (1)

式中:g(x)为激励函数,wi=wi=[wi1, wi2, …, win]T为隐含层第i个神经元与输入层的连接权值,βi=[βi1, βi2, …, βim]T为隐含层第i个神经元与输出层的连接权值,bi为隐含层神经元的阈值.wi·xjwixj的内积.

L=N,则对于任意给定的βiwi,ELM能零误差逼近学习样本[12],式(1)可以由矩阵形式表达为

$\mathit{\boldsymbol{H\beta }} = \mathit{\boldsymbol{T}}.$ (2)

其中

$\begin{array}{l}\;\;\;\;\;\;\;\;\;\;\;\;\;\mathit{\boldsymbol{H}} = \left[ \begin{array}{l}h\left( {{X_1}} \right)\\\;\;\;\; \vdots \\h\left( {{X_N}} \right)\end{array} \right] = \\{\left[ \begin{array}{l}g\left( {\mathit{\boldsymbol{w}}{_1} \cdot {\mathit{\boldsymbol{x}}_1} + {b_1}} \right){\rm{ }}\;\;\; \cdots \;\;\;{\rm{ }}g\left( {\mathit{\boldsymbol{w}}{_L} \cdot {\mathit{\boldsymbol{x}}_1} + {b_1}} \right)\\\;\;\;\;\;\;\;\;\; \vdots \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\; \vdots \\g\left( {\mathit{\boldsymbol{w}}{_1} \cdot {\mathit{\boldsymbol{x}}_N} + {b_1}} \right){\rm{ }}\;\; \ldots {\rm{ }}\;g(\mathit{\boldsymbol{w}}{_L} \cdot {\rm{ }}\mathit{\boldsymbol{x}}{_N} + {b_L})\end{array} \right]_{N \times L}}, \end{array}$ (3)

$\mathit{\boldsymbol{\beta }} = {\left[ \begin{array}{l}\mathit{\boldsymbol{\beta }}_1^{\rm{T}}\\\; \vdots \\\mathit{\boldsymbol{\beta }}_L^{\rm{T}}\end{array} \right]_{L \times m}}, $ (4)

$\mathit{\boldsymbol{T}} = {\left[ \begin{array}{l}\mathit{\boldsymbol{t}}_1^{\rm{T}}\\\; \vdots \\\mathit{\boldsymbol{t}}_L^{\rm{T}}\end{array} \right]_{N \times m}}.$ (5)

N较大时,为减少计算量通常取LN,此时,对ELM的网络训练等价于如下优化问题:

$\left\| {\mathop {\mathit{\boldsymbol{H\beta }}}\limits^ \wedge - \mathit{\boldsymbol{T}}} \right\| = \mathop {\min }\limits_\beta \left\| {\mathit{\boldsymbol{H\beta }} - \mathit{\boldsymbol{T}}} \right\|.$ (6)

g(x)无限可微时,随机给定网络参数wibi,ELM模型训练过程可看作求解线性系统=T关于$\mathit{\boldsymbol{\hat \beta }}$的最小二乘解,即

${\mathit{\boldsymbol{\hat \beta }}^ = }\mathit{\boldsymbol{H}} + \mathit{\boldsymbol{T}}.$ (7)

H+为隐含层输出矩阵H的Moore-Penrose广义逆.

1.2 GA优化ELM与BP模型相比,ELM学习速度快、泛化性能强、不易陷入局部极值,但仍有一些问题,如该算法中输入权值和隐含层偏置的随机选取导致隐含层神经元几乎不存在调节能力,这就对网络参数的优化提出了较高的要求.同时,ELM可能存在网络结构复杂、稳定性差等问题,选择合适的隐含层神经元个数和激活函数十分重要.

GA是模拟自然界遗传机制和物种进化而形成的一种并行随机搜索优化方法,将需要优化的参数编码形成串联群体,然后按照适应度函数通过选择、交叉和变异对个体进行筛选,最终选择适应度最优的个体[11].采用GA优化ELM神经网络的输入权值wi和隐含层偏置bi,得到最优的网络参数建立GA-ELM神经网络,提高模型输出的准确度和稳定性.

GA-ELM算法集成了GA全局搜索最优能力和ELM的强学习能力.在该算法中,将ELM训练数据的输入权值和隐含层节点偏置映射为GA种群中每条染色体上的基因,GA的染色体适应度对应于ELM的训练误差,将求取最优输入权值、偏置问题转化为计算染色体适应度,选择最优染色体问题.图 1给出GA-ELM算法流程,主要包括ELM网络确定、遗传算法优化和ELM网络的训练、预测等.

Fig. 1
图 1 GA-ELM算法流程 Fig. 1 Calculation flow of GA-ELM algorithm


算法相关思路及处理方法如下:

1) 种群初始化.确定ELM神经网络的拓扑结构,即输入层、隐含层和输出层的神经元个数;设置最大进化代数G;随机生成ELM神经网络的输入权值和隐含层偏置,并对其进行二进制编码,产生初始种群;个体的长度由隐含层输入权值矩阵和偏置向量构成,即D=(n+1)L,其中L为隐含层节点数,n为输入层神经元个数,即输入向量维度.

2) 个体适应度评价.对于每一代种群中的任意一个个体,采用ELM算法计算输出权值矩阵,并得到样本的期望输出与实际输出的均方根误差,作为GA目标函数

${E_{{\rm{RMS}}}} = \sqrt {\frac{{\mathop \sum \limits_{i = 1}^n {{\left( {{y_i} - y} \right)}^2}}}{n}} .$ (8)

式中:i为样本个体,n为样本总数,yi为仿真输出值,y为样本期望输出值.目标函数数值越小,模型越精确.

3) 种群进化.根据个体的适应度,采用轮盘赌法对每一代种群中的染色体进行选择,利用基于概率的交叉、变异操作对选中的个体进行优化,产生新的种群,直至满足约束条件,如达到最大迭代次数或相邻种群的平均目标值、最小目标值变化很小时终止进化,得到最终的种群.

4) ELM网络训练和预测.对迭代优化后的最终种群解码,得到优化后的输入权值和偏置,赋予ELM,使用训练样本对ELM网络进行训练,采用最小二乘法计算输出层权值$\mathit{\boldsymbol{\hat \beta }} = {\mathit{\boldsymbol{H}}^ + }\mathit{\boldsymbol{T}}$,最后将测试样本代入ELM模型进行预测输出.

1.3 模型构建与评价排水管道退化机理复杂,影响因素较多,本文只针对管道结构性缺陷识别,利用GA-ELM算法建立分类诊断模型,通过样本数据训练学习确定影响因素与结构性缺陷之间的非线性关系.图 2给出模型的网络拓扑结构.其中,xj代表模型的输入变量,即管道结构性退化影响因素;ti代表模型输出变量,即结构性缺陷类型,如破裂、渗漏、脱节、变形、错位、腐蚀等.

Fig. 2
图 2 模型网络拓扑 Fig. 2 Structure of neural network


影响管道结构性退化的因素包括管道自身物理属性,如管材、管龄、管径、管长、埋深、坡度等;外部环境因素,如路面交通荷载、环境温度变化、临近施工、土壤类型、地下水位、树根侵入因素等.借鉴已有退化指标分析成果[8, 13-14],结合工程应用中数据获取条件,选取管材、管龄、管径、埋深、管长、坡度、管道类型、土壤类型和所在道路等级共9项特征参数作为神经网络模型的输入变量.其中,管道埋深取上下游节点埋深的平均值;管道所在道路等级分为主干道、次干道和其他道路3类,间接表征路面交通荷载.结构性缺陷类型,即样本标签由CCTV检测结果给定.

为了检验GA-ELM模型分类诊断效果,采用混淆矩阵方法对分类器性能进行分析评价.假定nij表示被分类为j类的i类样本数,K为样本种类,则分类精度A以正确分类的样本数与总样本数N的比值表示,即

$A = \frac{{\mathop \sum \limits_{i = 1}^K {n_{ii}}}}{N} \times 100\% .$ (9)

定义Ri为第i类样本的查全率(Recall),即

${R_i} = \frac{{{n_{ii}}}}{{\mathop \sum \limits_{j = 1}^K {n_{ij}}}} \times 100\% .$ (10)

定义Gmean为样本所有类别查全率的几何平均值:

${G_{{\rm{mean}}}} = {\left( {\mathop \prod \limits_{i = 1}^K {R_i}} \right)^{\frac{1}{K}}} \times 100\% .$ (11)

Gmean的基本思想是使每一分类正确率尽可能大的同时,保持各类之间的平衡,是评价不平衡数据集上分类器性能的重要指标.

2 实验分析 2.1 实验数据以上海市浦东新区洋山保税港区公共排水管道为对象,开展实证研究.主要数据来源包含两部分:一是测绘部门提供的管道GIS数据,包含管材、管龄、管径、埋深、管长、坡度、管道类型和所在道路等属性数据;二是由管道养护单位提供的实验区2018年10月份管道CCTV检测数据,检测管道里程约45.5 km.CCTV检测报告给出了具体管段的缺陷类型、等级,并计算了管段修复指数和养护指数.为简化网络模型,提高模型分类预测性能,研究仅选取实验区管道"破裂"、"脱节"、"渗漏"3类主要结构性缺陷类型和"正常"共4类样本数据.基于管段唯一性标识建立管网GIS和CCTV检测数据的对应关系,提取有效样本数据共1 251条.按4类样本的占比随机选取1/4样本作为测试样本集,3/4样本作为训练样本集,样本数据组成如表 1所示.

表 1
表 1 样本数据 Tab. 1 Sample data 缺陷分类 训练集 测试集 期望输出

正常 338 112 [1 0 0 0]

破裂 188 62 [0 1 0 0]

脱节 147 48 [0 0 1 0]

渗漏 267 89 [0 0 0 1]



表 1 样本数据 Tab. 1 Sample data


对于管材、道路等级、土壤类型、缺陷类型等离散的分类特征数据,采用独热编码进行数字化.另外,为避免各指标量纲和数量级不同造成的不平衡性,提高神经网络模型的收敛速度和学习预测能力,采用最大最小法对样本数据进行了归一化处理,使得处理后的数据分布范围在[0, 1],公式如下:

${X^*} = \frac{{X - {X_{{\rm{min}}}}}}{{{X_{{\rm{max}}}} - {X_{{\rm{min}}}}}}.$ (12)

式中:X为实测值,Xmin为样本数据的最小值, Xmax为样本数据的最大值.

2.2 参数设置利用标准ELM构建管道缺陷分类诊断模型时,仅需要设定隐含层神经元节点数L和激励函数g(x)的构造形式就可以求算输出权值矩阵.实际工程应用中隐含层神经元节点数L一般远小于样本数NL过小网络预测误差较大,L过大则会增加模型预测的时间空间成本,容易出现过拟合现象.图 3给出sigmoid、sin和hardlim 3种常见激励函数下隐含层神经元节点数L对分类器能力的影响.其中,sigmoid函数的分类器性能整体较好,L增至120时Gmean相对较高,为55.39%.对于标准ELM模型,选定sigmoid激励函数,隐含层神经元节点数L设定为120.

Fig. 3
图 3 3种激励函数下隐含层节点数对ELM分类性能的影响 Fig. 3 Effect of number of hidden nodes on ELM performance under three activation functions


为方便比较,选择同样的激励函数和隐含层节点数,对GA-ELM分类器性能进行仿真分析.设定GA参数如下:种群大小为40,最大遗传代数为100,交叉概率0.7,变异概率0.01,代沟0.95.将样本输入GA-ELM模型进行训练,如图 4误差进化曲线所示,当进化到44代时,误差最小,满足要求.因此,将44代优化后的权值和偏置代入极限学习模型中对测试样本进行预测.

Fig. 4
图 4 误差进化曲线 Fig. 4 Error evolution curve


2.3 分类结果分析表 2给出标准ELM和GA优化后模型分类性能的比较.其中,ELM在训练集上的分类精度A=70.74%,Gmean=65.21%;测试集训练精度A=65.59%,Gmean=55.39%.GA优化ELM网络参数后,对于训练样本和测试样本的分类能力均有显著提升,达到80%以上,而且GA-ELM整体上具有更好的稳定性和泛化能力.

表 2
表 2 GA-ELM和ELM模型分类性能比较 Tab. 2 Performance comparison between GA-ELM and ELM? %

模型 训练精度 测试精度

A Gmean A Gmean

GA-ELM 87.46 85.07 82.96 80.50

标准ELM 70.74 65.21 65.59 55.39



表 2 GA-ELM和ELM模型分类性能比较 Tab. 2 Performance comparison between GA-ELM and ELM?


为进一步分析模型对不同管道缺陷类型的诊断、识别能力,表 3以混淆矩阵形式给出GA-ELM和ELM在测试集上的分类诊断结果以及不同缺陷类型的查全率.其中,"破裂"的管道样本62条,GA-ELM诊断模型准确预测48条, 查全率77.42%;"脱节"的管道样本48条,准确预测36条,查全率为75.00%;"渗漏"的管道样本89条,准确预测68条,查全率为76.40%.ELM诊断模型对于上述3类缺陷管道的查全率则分别为59.68%、52.08%和65.17%.可见,相比ELM,GA-ELM诊断模型对于缺陷管段的识别能力更强,具有更优的分类预测性能.不过,由表 3结果也发现,两个模型对"正常"管段的识别能力均高于其他缺陷管段,这估计与实验区排水管道样本的非均衡分布有关.

表 3
表 3 GA-ELM和ELM诊断结果 Tab. 3 Diagnosis results of GA-ELM and ELM 观测结果 GA-ELM诊断结果 ELM诊断结果

正常 破裂 脱节 渗漏 Ri/% 正常 破裂 脱节 渗漏 Ri/%

正常 106 0 2 4 94.64 100 0 0 12 89.29

破裂 0 48 7 7 77.42 0 37 10 15 59.68

脱节 0 7 36 5 75.00 0 17 25 6 52.08

渗漏 0 8 13 68 76.40 3 14 14 58 65.17



表 3 GA-ELM和ELM诊断结果 Tab. 3 Diagnosis results of GA-ELM and ELM


图 5给出测试集上逐个样本GA-ELM诊断结果与观测值的比照.结果也表明,GA-ELM能够较好地对排水管道结构性缺陷进行诊断识别,且分类精度可较好满足应用要求.

Fig. 5
图 5 GA-ELM分类诊断结果 Fig. 5 Contrast between predicted results and observed results of GA-ELM


3 结论1) 提出了基于GA-ELM的排水管道缺陷诊断模型,采用GA算法优化ELM神经网络输入连接权值和隐含层偏置,避免参数随机初始化造成的分类结果不稳定、准确率偏低的弊端.

2) 利用CCTV检测样本集对GA-ELM、ELM进行仿真测试,结果表明,在采用同样的激励函数和隐含层节点数的条件下,通过GA优化ELM网络参数能够获得更高的分类诊断性能,测试集分类精度由65.59%提高到82.96%;参数优化提高了ELM模型的拟合能力和稳定性.

3) 本文为城市排水管道缺陷识别和诊断提供了一个新型的数据驱动建模方法,具有较好的可行性和适用性.后续将收集更多的样本数据训练优化模型,并探讨非均衡样本对缺陷诊断性能的影响,进一步提高排水管道缺陷诊断模型的预测精度和泛化能力.


参考文献
[1] 中华人民共和国住房和城乡建设部. 城镇排水管道检测与评估技术规程: CJJ 181—2012[S]. 北京: 中国建筑工业出版社, 2012
Ministry of Housing and Urban-Rural Development of the People's Republic of China. Technical specification for inspection and evaluation of urban sewer: CJJ 181—2012[S]. Beijing: China Architecture & Building Press, 2012


[2] MICEVSKI T, KUCZERA G, COOMBES P. Markov model for storm water pipe deterioration[J]. Journal of Infrastructure Systems, 2002, 8(2): 49. DOI:10.1061/(ASCE)1076-0342(2002)8:2(49)


[3] 刘威, 李杰. 埋地管线面积腐蚀率概率密度的模拟分析[J]. 同济大学学报(自然科学版), 2007, 35(10): 1295.
LIU Wei, LI Jie. Simulation analysis for probability density of buried pipeline's area corrosion ratio[J]. Journal of Tongji University (Natural Science), 2007, 35(10): 1295. DOI:10.3321/j.issn:0253-374X.2007.10.001


[4] MASHFORD J, MARLOW D, TRAN D, et al. Prediction of sewer condition grade using support vector machines[J]. Journal of Computing in Civil Engineering, 2011, 25(4): 283. DOI:10.1061/(ASCE)CP.1943-5487.0000089


[5] HARVEY R R, MCBEAN E A. Predicting the structural condition of individual sanitary sewer pipes with random forests[J]. Canadian Journal of Civil Engineering, 2014, 41(4): 294. DOI:10.1139/cjce-2013-0431


[6] TRAN D H, NG A W M, PERERA B J C, et al. Application of probabilistic neural networks in modelling structural deterioration of stormwater pipes[J]. Urban Water Journal, 2006, 3(3): 175. DOI:10.1080/15730620600961684


[7] TRAN D H, NG A W M, PERERA B J C. Neural networks deterioration models for serviceability condition of buried stormwater pipes[J]. Engineering Applications of Artificial Intelligence, 2007, 20(8): 1144. DOI:10.1016/j.engappai.2007.02.005


[8] TRAN D H, PERERA B J C, NG A W M. Comparison of structural deterioration models for stormwater drainage pipes[J]. Computer-Aided Civil and Infrastructure Engineering, 2009, 24(2): 145. DOI:10.1111/j.1467-8667.2008.00577.x


[9] HUANG Guangbin, ZHU Qinyu, SIEW C K. Extreme learning machine: Theory and applications[J]. Neurocomputing, 2006, 70(1/2/3): 489. DOI:10.1016/j.neucom.2005.12.126


[10] WANG Yuguang, CAO Feilong, YUAN Yubo. A study on effectiveness of extreme learning machine[J]. Neurocomputing, 2011, 74(16): 2483. DOI:10.1016/j.neucom.2010.11.030


[11] HOLLAND J H. Adaptation in natural and artificial systems[J]. Ann Arbor, 1975, 6(2): 126.


[12] HUANG Guangbin, ZHOU Hongming, DING Xiaojian, et al. Extreme learning machine for regression and multiclass classification[J]. IEEE Transactions on Systems, Man, and Cybernetics Part B: Cybernetics, 2012, 42(2): 513. DOI:10.1109/tsmcb.2011.2168604


[13] ANA E, BAUWENS W, PESSEMIER M, et al. An investigation of the factors influencing sewer structural deterioration[J]. Urban Water Journal, 2009, 6(4): 303. DOI:10.1080/15730620902810902


[14] HARVEY R R, MCBEAN E A. Comparing the utility of decision trees and support vector machines when planning inspections of linear sewer infrastructure[J]. Journal of Hydroinformatics, 2014, 16(6): 1265. DOI:10.2166/hydro.2014.007



闂傚倸鍊搁崐鎼佸磹閹间礁纾归柣鎴eГ閸ゅ嫰鏌涢锝嗙缂佺姷濞€閺岀喖骞戦幇闈涙闁荤喐鐟辩粻鎾诲箖濡ゅ懏鏅查幖绮光偓鎰佹交闂備焦鎮堕崝宥囨崲閸儳宓侀柡宥庣仈鎼搭煈鏁嗛柍褜鍓氭穱濠囨嚃閳哄啯锛忛梺璇″瀻娴i晲鍒掗梻浣告惈鐞氼偊宕濋幋锕€绠栭柕鍫濐槸绾惧吋绻涢幋鐑囦緵濞寸》鎷�2婵犵數濮烽弫鍛婃叏閻戣棄鏋侀柟闂寸绾惧鏌i幇顒佹儓闁搞劌鍊块弻娑㈩敃閿濆棛顦ョ紓浣哄У婢瑰棛妲愰幒鏂哄亾閿濆骸浜剧紒鎵佹櫆缁绘稑顔忛鑽ょ泿闁诡垳鍠栧娲礃閸欏鍎撳銈嗗灥濞层劎鍒掑▎鎺旂杸婵炴垶鐟㈤幏娲⒑闂堚晛鐦滈柛妯恒偢瀹曟繄鈧綆鍋佹禍婊堟煏婵炲灝鍔滄い銉e灮閳ь剝顫夊ú婊堝极婵犳艾鏄ラ柍褜鍓氶妵鍕箳閹存繍浠鹃梺鎶芥敱閸ㄥ潡寮诲☉妯锋婵鐗嗘导鎰節濞堝灝娅欑紒鐘冲灴濠€浣糕攽閻樿宸ラ柟鍐插缁傛帗娼忛埞鎯т壕閻熸瑥瀚粈鍐╀繆閻愭壆鐭欑€殿噮鍋婇獮妯肩磼濡桨姹楅柣搴ゎ潐濞叉牕煤閵堝宓佹慨妞诲亾婵﹦绮幏鍛村川婵犲啫鍓垫俊鐐€х€靛矂宕归崼鏇炵畺婵☆垵銆€閺€浠嬫倵閿濆簼绨奸弶鍫濈墦濮婃椽妫冨☉姘辩杽闂佺ǹ锕ラ悧鐘诲箖閿熺姵鍋勯柛蹇氬亹閸欏棝姊洪崫鍕妞ゃ劌鎳忕粋宥夊箚瑜滃〒濠氭煏閸繄绠版い鈺婂墴閺屸剝鎷呴崜鑼悑闂佺粯渚楅崳锝呯暦濮椻偓閸╋繝宕橀悙顒傘偒闂備浇顕ч崙鐣岀礊閸℃稑纾婚柟鐑樺殾濞戙垹绀冮柕濞垮灪閺傗偓闂備胶绮崝鏍п缚濞嗘挻鍊堕柨鏂垮⒔濡垶鏌℃径搴㈢《閺佸牆螖閻橀潧浠滄い锕€鐏氭穱濠囧醇閺囩偛鑰垮┑鐐叉閸╁牓宕惔銊︹拻濞达絿鍎ら崵鈧銈嗘处閸欏啫鐣烽幋锔藉€烽柡宥嚽归ˇ闈涱嚕娴犲鏁囬柣鏃囨腹閸栨牕鈹戦悙瀛樺鞍闁煎綊绠栭弫鍐晝閸屾氨鐣洪梺绋跨箻濡法鎹㈤崱娑欑厱婵炲棗娴氬Σ绋库攽椤斿吋鍠橀柡灞界Ф閹风娀寮婚妷銉ュ強婵°倗濮烽崑娑樏洪鐐垫殾婵犲﹤瀚刊鎾煣韫囨洘鍤€妤犵偐鍋撴繝鐢靛Х閺佸憡鎱ㄩ悜濮愨偓鍌炴寠婢光晪缍佸畷銊╁级閹存繄鈧參姊婚崒姘卞缂佸鐗撳绋款吋婢跺鍙嗗┑鐘绘涧濡瑦鍒婇崗鑲╃閻忓繑鐗楀▍濠囨煛鐏炵偓绀冪紒缁樼洴閹瑩顢楁担鍝勭稻闂傚倷鑳剁划顖炲箰閸洖纾块柤纰卞墯瀹曞弶绻涢幋娆忕仼缂佺媴缍侀弻锝夊箛閳轰礁顬嬬紓浣稿綁閸楀啿顫忛搹鍦<婵☆垳鍎ょ拠鐐烘⒑鐞涒€充壕闂備緡鍓欑粔瀛橆攰闂備礁鎲″ú锕傚垂婵傜ǹ鏋侀柛鎰靛枟閻撳繘鐓崶褝鏀绘繛鍛嚇閺屾盯骞樼拋铏枤濠殿喖锕ュ浠嬬嵁閹邦厽鍎熼柨婵嗗€搁~宀勬⒒娴e憡鍟炴慨濠傜秺閹兘鍩¢崨顔间粧濡炪倖妫冮弫顕€宕戦幘缁樻櫜閹肩补鍓濋悵顕€姊烘潪鎵槮缂佸鏁搁幑銏犫攽閸モ晝鐦堥梺绋挎湰缁嬫垿顢撳☉妯锋斀闁炽儱鍟跨痪褔鏌熺粙鍨毐妞ゎ偄绻掔槐鎺懳熺拠宸偓鎾绘⒑閸涘﹦娲存繛浣冲喛鑰块梺顒€绉寸粻鏌ユ煏韫囧鈧洜绮诲☉娆嶄簻闁哄倸鐏濋埛鏃堟煟閹炬剚鍎旀慨濠呮缁辨帒螣閾忛€涚礃婵犵妲呴崑鍕偓姘緲閻g柉銇愰幒鎴狅紲闂佺粯鍔曢顓㈠储闁秵鍊甸柛蹇擃槸娴滈箖姊洪柅鐐茶嫰婢у鈧娲橀崹鍧楀箖濞嗘挸浼犻柛鏇ㄥ弿缁遍亶姊绘笟鈧ḿ褑澧濋梺鍝勬噺缁捇骞冮敓鐘参ㄩ柍鍝勫€婚崢浠嬫⒑閸濆嫭宸濋柛瀣洴閸┾偓妞ゆ巻鍋撴繝鈧柆宥呯劦妞ゆ帊鑳堕崯鏌ユ煙閸戙倖瀚�
婵犵數濮烽弫鍛婃叏閻戣棄鏋侀柛娑橈攻閸欏繐霉閸忓吋缍戦柛銊ュ€婚幉鎼佹偋閸繄鐟查梺绋款儏椤︾敻寮婚弴锛勭杸閻庯綆浜栭崑鎾诲即閵忊€斥偓宄扳攽閻樻彃顏柛鐘冲姉閳ь剙绠嶉崕鍗炍涘▎鎾崇煑闊洦绋掗悡蹇涙煕椤愶絿绠ユ俊鎻掔秺閺屽秹鏌ㄧ€n亞浼岄梺鍝勬湰缁嬫垿鍩ユ径濠庢建闁割偅绻€缁憋絿绱撻崒娆戝妽妞ゃ劌妫涢弫顔嘉旀担琛℃敵婵犵數濮村ù鍌炲极閸愵喗鐓ユ繝闈涙婢跺嫰鏌涢幒鎾垛槈妞ゎ亜鍟存俊鍫曞礃閵娧傜棯婵犵妲呴崑鍕疮椤栫偛绠為柕濞炬櫅閻掑灚銇勯幒鎴濐仾闁绘挸绻橀弻娑㈩敃閿濆洨鐣洪梺鎸庣☉缁夊灚绌辨繝鍥舵晝闁靛繒濯导鍐⒑閸濆嫮鐒跨紒鏌ョ畺楠炲棝寮崼顐f櫖濠电姴锕ら幉娑㈡晲婢跺鎷洪梺鍛婄缚閸庤鲸鐗庨梻浣虹帛椤ㄥ牊鎱ㄩ幘顔藉仼闁绘垼妫勯~鍛存煏閸繃鍣芥い鏃€甯掗—鍐Χ閸℃ǚ鎷婚梺鍝勬媼閸嬪﹤鐣烽姀銈呯濞达絽鍘滈幏娲⒑閸涘﹦鈽夐柨鏇樺劤缁牏鈧綆鍋嗙粻鎯归敐鍛毐婵炶绠撳畷鎰板醇閺囩喓鍙嗗┑鐘绘涧濡瑩藟閹捐秮鐟扳堪閸曨厾鐓夐梺鍝勭灱閸犳捇鍩€椤掍胶鈯曞畝锝堟硶缁寮借閻斿棝鎮归崫鍕儓妞ゅ浚鍋嗙槐鎺撴綇閵娿儳顑傞梺閫炲苯澧剧紓宥呮缁傚秶鎹勬担鏇犲枛閸┾偓妞ゆ帒瀚埛鎴犵磼椤栨稒绀冮柡澶婄秺閺屾稓鈧綆鍋呯亸顓熴亜椤忓嫬鏆e┑鈥崇埣瀹曞崬螖閳ь剙岣块幋锔解拺缂佸顑欓崕鎰版煙閻熺増鍠樼€殿喛顕ч濂稿炊閵娿儳褰撮梻浣告惈鐞氼偊宕曢崡鐑嗗殨闁哄绨遍弨浠嬫煥閻斿搫啸闁伙絽鎼湁婵犲﹤鍟伴崺锝団偓娈垮枦椤曆囶敇婵傜ǹ閱囨い鎰剁秵閳ь剙娲缁樻媴閸涘﹤鏆堥梺鍦归…鐑藉箖閻戣棄鐓涘ù锝囧劋濞堟儳顪冮妶鍡欏缂佸鍨块、姘舵焼瀹ュ棗鈧灚绻涢幋鐑嗕痪妞ゅ繐鎳愰々鍙夈亜閺嶃劌鐒归柡鈧禒瀣厽闁归偊鍓欑痪褔鏌嶇紒妯荤闂囧绻濇繝鍌氼伀缂佺姷鍋熼埀顒侇問閸犳鎮¢敓鐘偓浣肝旈崨顓狀槹濡炪倖宸婚崑鎾绘煃瑜滈崜娆撴偉婵傜ǹ钃熼柨婵嗩槸缁犳稒銇勯弮鍥撴慨锝呭濮婅櫣娑甸崨顕呮闂佺ǹ锕ゅḿ鈥愁嚕鐠囨祴妲堥柕蹇曞瑜旈弻娑㈠Ψ椤斿彞铏庨梺闈涚箞閸婃牠藟閸℃鐔嗛悹杞拌閸庢垹绱掗埦鈧崑鎾斥攽閻樺灚鏆╁┑顔芥尦瀹曟劙骞栨担鍛婅緢闂佹寧绻傚Λ搴㈢濠婂牆绠规繛锝庡墮閻掔儤绻涢崼鐔哥闁哄本娲熷畷鎯邦槻妞ゅ浚鍙冮弻娑㈠煛閸愩劋妲愬銈冨灪閿曘垽骞冨▎蹇e晠妞ゆ棁宕靛Λ顖涚節閻㈤潧校妞ゆ梹鐗犲畷褰掓焼瀹ュ懐顔囬梺瑙勫劶濡嫰鎷戦悢鍏肩叆闁绘柨鎼瓭闂佺粯鍔曢敃顏堝蓟瀹ュ棙濮滈柟娈垮枛婵′粙姊虹拠鑼缂佽埖鑹鹃~蹇撁洪鍕獩婵犵數濮寸€氼參宕板☉銏♀拺缂佸顑欓崕鎰版煙閻熺増鎼愭い顐㈢箳缁辨帒螣鐠囧樊鈧捇姊洪崨濠勭細闁稿氦娅曢〃娆忊攽閻樺灚鏆╅柛瀣耿瀹曠娀鎮╃拠鎻掕€块梺褰掑亰娴滄繈鎯堣箛娑欌拻濞达綀娅g敮娑㈡煕閺冣偓椤ㄥ﹤顕i锕€浼犻柕澹倻鐟濋梻浣告惈閸燁偊鎮ф繝鍥ㄥ亗婵炲棙鎸婚悡娆愩亜閺嵮勵棞闁兼椿鍨伴埢鎾诲醇閺囩啿鎷洪悗瑙勬礀濞层劎鏁☉娆愬弿濠电姴鍊荤粔鐑橆殽閻愯尙澧﹀┑鈩冩倐婵¢攱鎯旈敐鍛亖闂佸綊顥撴繛鈧鐐存崌楠炴帒鈹戦崶銊с偘闂傚倸鍊搁崐鐑芥倿閿曞倸绠栭柛顐f礀绾惧湱鎲歌箛鏇炲灊濠电姵鑹剧粻濠氭偣閸ヮ亜钄奸柟鑺ユ礋濮婅櫣绱掑Ο娲绘⒖濠电偛鎷戠紞渚€骞嗙仦瑙f瀻闁规儳顕崢鐢电磽娴e壊鍎忛柣蹇旂箞椤㈡濮€閵堝棛鍘靛銈嗘⒒閺咁偊骞婇崶銊﹀弿濠电姴瀚崝瀣倵閻㈤潧甯堕柍璇查叄楠炲鎮╁Ο鑽ょ煂缂佽鲸鎸婚幏鍛村传閸曟埊缍侀弻锝呂旀担鍦槹濡炪們鍨哄畝鎼佸极閹邦厼绶炴俊顖滅帛濞呭洭姊绘担绋挎毐闁诲繐鐗撳鎻掆堪閸喎鈧潧鈹戦悩宕囶暡闁抽攱鍨归幉鎼佹偋閸繄鐟ㄦ繛瀛樼矆閸楁娊寮诲☉妯滅喖宕崟銊﹀瘱缂傚倷绶¢崰妤呮偡閳轰胶鏆﹂柣鏃傗拡閺佸秵绻涢幋鐐茬瑲閻庢艾銈稿缁樻媴閸涘﹨纭€闁哄浜濈换娑氣偓鐢登归崢鎾煕閳瑰灝鍔滅€垫澘瀚伴獮鍥敇閻樻彃绠伴梻鍌欑婢瑰﹪宕戦幒妤€纾婚柛鏇ㄥ墯濞呯娀鎮楅悽鐢点€婇柛瀣尵閹叉挳宕熼鍌ゆК缂傚倸鍊哥粔鎾晝閵夛妇鈹嶅┑鐘插亞濞兼壆鈧厜鍋撳┑鐘插敪椤忓嫧鏀介柣妯诲墯閸熷繘鏌涢妸銈呭祮濠碘€崇埣楠炴牗鎷呭灞炬啺婵犵數鍋為崹鎯板綔濠碘剝褰冮悧濠囧箞閵娿儙鏃堝焵椤掑嫭鍋嬪┑鐘叉搐閺嬩線鏌涢幘妤€鎳愰敍婵囩箾鏉堝墽鍒伴柟纰卞亝閻楀酣姊哄Ч鍥х労闁搞劍濞婂畷鎴﹀Χ婢跺﹥妲梺閫炲苯澧柕鍥у楠炴帡宕卞鎯ь棜闂傚倷娴囬褏鎹㈤幋锔藉殞濡わ絽鍟犻埀顒婄畵瀹曞綊顢氶崨顔肩紦闂備線鈧偛鑻晶瀛橆殽閻愭彃鏆㈡い锕€婀遍埀顒冾潐濞叉牕鐣烽鍕畳闂備礁鎼ˇ鎵偓绗涘洤绐楁俊顖氱毞閸嬫挾鎲撮崟顒傤槶闁哄浜幗鍫曞冀椤€崇秺閺佹劖寰勭€n偆褰搁梻浣圭湽閸庣儤绂嶉鍕垫綎缂備焦蓱婵潙銆掑鐓庣仭闁轰緡鍨跺铏规喆閸曨兙浠ф繛瀛樼矤娴滄粓锝炶箛鏃傤浄閻庯綆浜為ˇ鏉款渻閵堝棛澧紒瀣笒閳诲秹寮介鐔叉嫼闂佸憡绻傜€氼噣鍩㈡径鎰厱婵☆垰婀遍惌娆撴煙椤旀瑣鍊楅悿鈧┑鐐村灦閻熝囧储闁秵鈷戦柡鍌樺劜濞呭懘鏌涢悤浣哥仯缂侇喖鐗撻崺鈧い鎺嗗亾妞ゎ亜鍟存俊鎯扮疀閺囩偟鐓楅梻浣告惈濡瑧绮╃化鏉戔攽閻樺灚鏆╁┑顔惧厴瀵偊宕ㄦ繝鍐ㄥ伎婵炴潙鍚嬪ḿ娆撳垂閸岀偞鐓曢柨鏃囶嚙楠炴ḿ绱掗埀顒佺節閸屾鏂€闂佺粯锚瀵爼骞栭幇鐗堢厽闁圭儤鍨规禒娑㈡煏閸パ冾伃妤犵偞甯掗濂稿醇濠靛棗鑵愰梻鍌欑劍閸撴岸宕归崡鐏绘椽鎮㈤悡搴ゆ憰闂佸搫娲㈤崹褰掔嵁閵忊€茬箚闁靛牆鍊告禍楣冩⒑閸濆嫭锛旂紓宥勭窔瀵鏁嶉崟顏呭媰闂佸憡鎸嗛崟顐㈢仭濠德板€楁慨鐑藉磻閻愬灚鏆滈柨鐔哄Х瀹撲線鎮楅敐搴℃灍闁稿﹤顭烽弻娑㈠焺閸愬じ绶靛┑鈽嗗€ら崘锝嗘杸闂佹寧绋戠€氼剚绂嶆總鍛婄厱濠电姴鍟版晶閬嶆煛娓氬洤娅嶉柟顔界懇瀹曨偊宕熼鐘茬倞闂傚倷绀佺紞濠囧磻婵犲洤绐楁慨妯垮煐閸庢绻涢崱妤冪畾闁衡偓娴犲鐓熸俊顖氭惈缁狙冾熆鐠哄搫顏柡灞剧〒閳ь剨缍嗛崑鍕叏瀹ュ鐓涚€光偓鐎n剛袦婵犳鍠掗崑鎾绘⒑闂堟稓绠氶柛鎾寸箓琚欓柛鏇ㄥ灡閻撴稑霉閿濆懏鎲稿褝闄勯幈銊︾節閸曨厼绗¢梺鐟板槻閹虫劗鍒掑▎鎾崇閹肩补妾ч崑鎾活敍濮橈絾鏂€闂佺粯锕╅崰鏍倶椤忓牊鐓ラ柡鍥悘鈺呮煟閿濆洤鍘存い銏$☉閳藉顫滈崱妤侇啌闂備浇顕х€涒晝绮欓幒妤佹櫔濠电偛鐡ㄧ划鐘诲垂鐠轰警娼栨繛宸簻瀹告繂鈹戦悩鎻掝伀闁伙絽鐏氱换婵嗏枔閸喚浠存俊鐐茬摠閹倿鐛崱娑樼睄闁割偅绻嶅ḿ濠囨⒑閹稿海鈽夐悗姘煎枦閸婂瓨绻濈喊澶岀?闁稿鍨垮畷鎰板冀椤撶偟顦┑掳鍊曢幊搴g玻濡ゅ懎绠规繛锝庡墮閻忣喗銇勯埡鍌氱祷閾绘牠鏌ㄥ┑鍡樺櫣闁哄棛鍋ら弻锝夊箻鐎靛憡鍒涢梺鍝勬湰閻╊垱淇婇悜鑺ユ櫜闁告侗鍙庨悗鎾⒒娴e湱婀介柛鏂跨Ч瀹曞綊宕稿Δ鈧拑鐔兼煥濠靛棭妲归柛瀣閺屾稑鈻庤箛锝喰ч梺缁樼箖濡啫顫忛搹鍏夊亾閸︻厼校妞ゃ儱顦伴妵鍕晜閻愵剚姣堥梺缁樹緱閸犳牞鐏掗梺鍏肩ゴ閺呮繈藝閳哄懏鈷戠紓浣光棨椤忓嫮鏆︽い鎺戝閺佸棝鏌曡箛濞惧亾閼碱剛鐣鹃梻浣虹帛閸旓附绂嶅⿰鍫濈劦妞ゆ帊鑳舵晶顏堟偂閵堝棛绡€闂傚牊绋掗ˉ鎴︽煛鐎n亞效闁哄矉绻濆畷鍫曞煛娴i攱鍠氱紓鍌氬€搁崐鐟扮暆閹间焦鍋傛い鎰剁畱閻愬﹪鏌曟繛褉鍋撴俊鎻掔墦閹鎮烽悧鍫濇殘缂備浇顕ч崯瀛樹繆閻㈢ǹ绀嬫い鏍ㄦ皑椤旀帒鈹戞幊閸婃劙宕戦幘缁樼厱闁绘洑绀侀悘锔姐亜閵忥紕鎳囬柡浣规崌閺佹捇鏁撻敓锟�20濠电姷鏁告慨鎾儉婢舵劕绾ч幖瀛樻尭娴滅偓淇婇妶鍕妽闁告瑥绻橀弻锝夊箣閿濆棭妫勭紒鐐劤椤兘寮婚敐鍛傜喎鈻庨幆褎顔勭紓鍌欒兌婵挳鎮樺璺何﹂柛鏇ㄥ枤閻も偓闂佸湱鍋撻幆灞轿涢垾鎰佹富闁靛牆楠告禍婵囩箾閸欏缂氶柟骞垮灩閳规垹鈧綆鍋掑Λ鍐ㄢ攽閻愭潙鐏ョ€规洦鍓熷畷婊堝箥椤斿墽锛濇繛杈剧到閹碱偅鐗庨梻浣规偠閸斿苯岣块垾鎰佸殨濠电姵鑹惧洿闂佺硶鍓濋敋鐎殿喖娼″楦裤亹閹烘垳鍠婇梺绋跨箲閿曘垹鐣烽幋锕€绠绘繝銏犲濡啴宕洪埀顒併亜閹烘垵顏╅柣鎾寸箞閺岋繝宕橀妸褍顣哄銈庡亜閹虫﹢寮婚敐鍛傜喖鎮滃鍡橈骏闂備胶顢婂▍鏇㈠箲閸ヮ剙围妞ゅ繐鎳庨閬嶆煛婢跺鐏╂い锔哄姂濮婃椽宕橀崣澶嬪創闂佹寧娲忛崕鐢稿极瀹ュ宸濇い鏍ㄧ矌閿涙繈姊虹粙鎸庢拱闁荤啙鍥佸洭鏁傛慨鎰盎闂佹寧妫侀褔鎮橀敂濮愪簻闁靛繆鈧啿鎽靛銈冨灪閿曘垺鎱ㄩ埀顒勬煟濮椻偓濞佳勬叏閿旀垝绻嗛柣鎰典簻閳ь剚鐗曢蹇旂節濮橆剛锛涢梺瑙勫劤椤曨厾寮ч埀顒勬⒑闁偛鑻晶鎾煛鐏炶姤顥滄い鎾炽偢瀹曘劑顢涢妶鍥ц€块梻鍌氬€烽懗鍓佸垝椤栨凹娼栧┑鐘宠壘閸屻劎鎲搁弬娆惧殨闁告稑锕﹂悷褰掓煃瑜滈崜鐔奉嚕婵犳艾鍗抽柕蹇曞█閸炶泛鈹戦悩鑼粵闁告梹鐗楅弲銉╂⒒閸屾瑨鍏岄弸顏勎旈悩鍙夋喐缂侇喗妫侀妵鎰板箳閹达絾鎲版繝鐢靛仦閸垶宕硅ぐ鎺戠闁规儼濮ら悡蹇撯攽閻愯尙浠㈤柛鏃€纰嶉妵鍕敃閻斿憡鐝氬┑顔硷功閸庛倗鈧數鍘ч埢搴ㄥ箣閻樿櫕顔忕紓鍌氬€搁崐鍝ョ矓閹绢喗鏅濇い蹇撶墢瀹撲線鏌涢幇鈺佸闁哄啫鐗嗙粈鍐煃鏉炴壆鍔嶉柣搴弮濮婄粯鎷呴崨濠傛殘濠电偠顕滅粻鎾崇暦閿濆棙鍎熼柕濞垮劜鏉堝牓姊虹捄銊ユ灁濠殿喚鏁婚崺娑㈠箣閿旂晫鍘卞┑鐘绘涧濡顢旈鍛簻闁靛绠戦悘鎾煛鐏炲墽銆掗柍褜鍓ㄧ紞鍡涘磻閸涱厾鏆﹂悘鐐靛亾閸欏繐鈹戦悩鎻掓殲闁靛洦绻勯埀顒冾潐濞诧箓宕戞繝鍌滄殾闁绘梻鍘ч崹鍌涖亜閹邦剝鐧侀柛銉e妷閹锋椽姊洪崨濠勨槈闁挎洏鍎甸崺娑㈠箛閻楀牏鍘藉┑掳鍊曢崯顐﹀煝閸噥娈介柣鎰絻閺嗭綁鏌℃担瑙勫磳闁诡喒鏅犻幖褰掝敃閿濆洤寤洪梻鍌氬€风粈渚€骞夐垾瓒佹椽鏁冮崒姘鳖槶濠电偛妫欓幐濠氬磻閻旇褰掓偂鎼达絾鎲奸梺鎶芥敱閸ㄥ灝顫忔繝姘唶闁绘梹浜介埀顒佸笧缁辨帡鎮╅崘鎻掓懙闂佸搫鏈惄顖炵嵁濡皷鍋撻棃娑欐喐闁汇倕瀚板铏规嫚閳ヨ櫕鐏€闂侀€炲苯澧柡瀣偢瀵憡鎯旈妸锔惧幍闂備緡鍙忕粻鎴﹀几閵堝棎浜滈柡鍐e亾婵炲弶岣块幑銏犫攽鐎n亶娼婇梺鎸庣箓濡盯濡撮幇顒夋富闁靛牆妫楅悘銉︿繆椤愶絿銆掗柛鎺撳浮瀹曞ジ濡烽妷褍濮︽俊鐐€栫敮鎺斺偓姘煎弮瀹曟劙宕归銈囶啎闂佸壊鍋呯换鍕閵忥紕绠鹃柛娑卞幘鏁堥梺鍝勭焿缁绘繈宕洪埀顒併亜閹烘垵顏╃痪顓涘亾闂備胶绮崹闈浳涘Δ鈧埢鎾活敃閿旇В鎷洪梺鍛婄☉閿曘儲寰勯崟顖涚厱閻庯綆鍋勫ù顔锯偓瑙勬磸閸庢娊鍩€椤掑﹦绉甸柛鐘愁殜閹繝寮撮姀锛勫幐闂佹悶鍎崕杈ㄤ繆閸忕⒈娈介柣鎰懖閹寸偟鈹嶅┑鐘叉搐閻顭跨捄鐚村姛濞寸厧鑻埞鎴︻敊绾攱鏁惧┑锛勫仩濡嫰鎮鹃悜绛嬫晝闁挎洍鍋撶紒鈧€n偁浜滈柟閭﹀枛閺嬪骸霉濠婂嫬鍔ら棁澶愭煟濡儤鈻曢柛搴㈢矌缁辨挸顓奸崱娆忊吂濡炪値鍙€濞夋洟骞戦崟顖涘€绘俊顖滅帛鐎氭娊姊绘担鍛靛湱鎹㈤幋鐘插灊闁规崘顕ч拑鐔哥箾閹存瑥鐒洪柡浣稿暣閺屻劌鈹戦崱姗嗘¥濡炪倧璐熼崝鎴濐潖濞差亜浼犻柛鏇ㄥ墮椤庢盯姊洪崨濠冨暗闁哥姵鐗犻悰顕€宕橀…鎴炲缓闂侀€炲苯澧存鐐插暙閳诲酣骞橀幖顓燁棃婵犵數鍋為崹鍫曘€冮崨姝ゅ顫濇潏鈺冿紳闂佺ǹ鏈悷銊╁礂鐏炶В鏀芥い鏃傚亾閺嗏晠鏌℃笟鍥ф珝闁搞劑绠栭獮鍥ㄦ媴閸︻厾鈻夋繝鐢靛Х閺佸憡鎱ㄩ悽鍛婂殞濡わ絽鍟崐宄扳攽閻樺弶澶勯柣鎾卞劜缁绘繈妫冨☉娆樻!闂侀潻绲挎灙妞ゎ叀娉曢幉鎾礋椤掑偆妲规繝娈垮枛閿曘儱顪冩禒瀣疇闁跨喓濮村洿闂佸憡渚楅崰姘跺焵椤掍礁鍔ら柍瑙勫灴閹瑩骞撻幒鏃堢崜闂備焦鎮堕崝灞结缚閿熺姷宓佸┑鐘蹭迹閺冨牆绀冮柍杞拌兌閿涘繘姊洪懡銈呬沪缂佸鐗撳畷婊冣攽鐎n偄鈧泛銆掑锝呬壕濠殿喖锕ㄥ▍锝呪槈閻㈢ǹ宸濇い鏂垮悑闁款參姊婚崒姘偓鍝モ偓姘煎墰閳ь剚纰嶅姗€鎮鹃悜钘夊嵆闁靛繒濮烽娲⒑閹稿孩顥嗘俊顐㈠閸┾偓妞ゆ帒鍊归弳顒勬煛鐏炶濡奸柍瑙勫灴瀹曞崬鈽夐幍浣镐壕婵°倓绶″▓浠嬫煟閹邦喗顬嬬紓鍌涙皑缁辨帗娼忛妸銉﹁癁闂佽鍠掗弲娑㈡偩閻戣棄鐐婄憸澶愬箯娴煎瓨鈷掑ù锝呮啞閹牆顭跨捄鐑樺枠鐎规洘绮岄埞鎴﹀幢閳轰焦顔傞梻浣告啞濞诧箓宕戦埀顒佷繆閹绘帞澧涚紒缁樼洴瀹曞崬螖娴d警娲跺┑鐐差嚟閵嗗骞忛敓锟�
相关话题/优化 上海 同济大学 遗传 技术

  • 领限时大额优惠券,享本站正版考研考试资料!
    大额优惠券
    优惠券领取后72小时内有效,10万种最新考研考试考证类电子打印资料任你选。涵盖全国500余所院校考研专业课、200多种职业资格考试、1100多种经典教材,产品类型包含电子书、题库、全套资料以及视频,无论您是考研复习、考证刷题,还是考前冲刺等,不同类型的产品可满足您学习上的不同需求。 ...
    本站小编 Free壹佰分学习网 2022-09-19
  • 空基反助推段导弹制导技术综述
    空基反助推段导弹制导技术综述荆武兴,杨彪,高长生(哈尔滨工业大学航天学院,哈尔滨150090)摘要:为研究空基反助推段导弹的发展现状和拦截制导面临的关键技术与挑战,对空基反助推段导弹相关的文献进行了分析与总结.空基反助推段导弹由载机发射,对处于助推段飞行的导弹实施拦截,是导弹防御体系的重要组成部分. ...
    本站小编 Free考研考试 2021-12-04
  • 静态破碎技术研究综述与建议
    静态破碎技术研究综述与建议郑文忠1,2,李瑞森1,2,徐笠博1,2,侯晓萌1,2(1.结构工程灾变与控制教育部重点实验室(哈尔滨工业大学),哈尔滨150090;2.土木工程智能防灾减灾工信部重点实验室(哈尔滨工业大学),哈尔滨150090)摘要:静态破碎技术是将搅拌好的静态破碎剂填充在岩石或混凝土的 ...
    本站小编 Free考研考试 2021-12-04
  • 金属基超疏水表面的制备技术研究新进展
    金属基超疏水表面的制备技术研究新进展吴春亚1,2,黄俊杰2,李曦光2,吴佳昊2,侯博2,陈明君1,2(1.微系统与微结构制造教育部重点实验室(哈尔滨工业大学),哈尔滨150080;2.哈尔滨工业大学机电工程学院,哈尔滨150080)摘要:在简要介绍超疏水表面相关理论的基础上,着眼于金属基超疏水表面制 ...
    本站小编 Free考研考试 2021-12-04
  • 一种位姿解耦的主操作手结构设计与优化方法
    一种位姿解耦的主操作手结构设计与优化方法王得晨1,2,杜付鑫1,2,3,屈梁成1,2,类延强3,4,王继来1,2,李取浩1,2(1.山东大学机械工程学院,济南250061;2.高效洁净机械制造教育部重点实验室(山东大学)济南250061;3.山东大学控制科学与工程学院,济南250061;4.智能无人 ...
    本站小编 Free考研考试 2021-12-04
  • 动态流量平衡阀结构优化与验证
    动态流量平衡阀结构优化与验证李树勋1,2,吴翰林1,2,李忠1,2,沈恒云1,2,叶琛3(1.兰州理工大学石油化工学院,兰州730050;2.机械工业泵及特殊阀门工程研究中心,兰州730050;3.浙江盾安阀门有限公司,浙江诸暨311800)摘要:针对动态流量平衡阀流量控制精度较低问题,依据孔板流量 ...
    本站小编 Free考研考试 2021-12-04
  • 增程式燃料电池车经济性与耐久性优化控制策略
    增程式燃料电池车经济性与耐久性优化控制策略吕沁阳1,2,滕腾,2,张宝迪1,2,张欣1,2,薛奇成1,2(1.北京交通大学机械与电子控制工程学院,北京100044;2.新能源汽车动力总成技术北京市重点实验室(北京交通大学),北京100044)摘要:为了避免车用燃料电池由于启停变化、功率波动等状态而导 ...
    本站小编 Free考研考试 2021-12-04
  • 应用于H.26X的通用无损帧内编码优化算法
    应用于H.26X的通用无损帧内编码优化算法林敏,林庆毫,翁晓雨,陈国捷(特种光纤与光接入网重点实验室(上海大学),上海201900)摘要:在H.26X系列视频编码标准的无损压缩方案中,通过帧内预测得到的预测残差仍具有较强的空间相关性,直接参与熵编码将导致编码效率下降。与自然图像不同,帧内预测残差的空 ...
    本站小编 Free考研考试 2021-12-04
  • 基于列车到发分布的高速铁路车站到发线运用优化
    基于列车到发分布的高速铁路车站到发线运用优化任禹谋1,2,张琦2,袁志明2,王涛2,丁舒忻2,李智2(1.中国铁道科学研究院研究生部,北京100081;2.中国铁道科学研究院集团有限公司通信信号研究所,北京100081)摘要:针对高速铁路车站到发线运用计划编制问题,提出了一种基于分时段多目标的到发线 ...
    本站小编 Free考研考试 2021-12-04
  • 载人潜水器虚拟潜航员作业姿态仿真优化
    载人潜水器虚拟潜航员作业姿态仿真优化王文中1,2,张树生1,叶聪3,陈登凯1,樊皓1(1.工业设计与人机工效工信部重点实验室(西北工业大学),西安710072;2.陕西科技大学设计与艺术学院,西安710021;3.中国船舶科学研究中心,江苏无锡214082)摘要:为减少潜航员在深海复杂环境下的误操作 ...
    本站小编 Free考研考试 2021-12-04
  • 可变线路式公交运行服务能力优化策略
    可变线路式公交运行服务能力优化策略郑乐1,高良鹏2,沈金星3,李文权4(1.南京邮电大学现代邮政学院,南京210003;2.福建工程学院交通运输学院,福州350108;3.河海大学土木与交通学院,南京210098;4.东南大学交通学院,南京210089)摘要:为了提高乘客出行需求不确定条件下可变线路 ...
    本站小编 Free考研考试 2021-12-04
闂傚倸鍊搁崐鎼佸磹閹间礁纾归柣鎴eГ閸ゅ嫰鏌涢锝嗙缂佺姷濞€閺岀喖骞戦幇闈涙闁荤喐鐟辩粻鎾诲箖濡ゅ懏鏅查幖绮光偓鎰佹交闂備焦鎮堕崝宥囨崲閸儳宓侀柡宥庣仈鎼搭煈鏁嗛柍褜鍓氭穱濠囨嚃閳哄啯锛忛梺璇″瀻娴i晲鍒掗梻浣告惈鐞氼偊宕濋幋锕€绠栭柕鍫濐槸绾惧吋绻涢幋鐑囦緵濞寸》鎷�2婵犵數濮烽弫鍛婃叏閻戣棄鏋侀柟闂寸绾惧鏌i幇顒佹儓闁搞劌鍊块弻娑㈩敃閿濆棛顦ョ紓浣哄У婢瑰棛妲愰幒鏂哄亾閿濆骸浜剧紒鎵佹櫆缁绘稑顔忛鑽ょ泿闁诡垳鍠栧娲礃閸欏鍎撳銈嗗灥濞层劎鍒掑▎鎺旂杸婵炴垶鐟㈤幏娲⒑闂堚晛鐦滈柛妯恒偢瀹曟繄鈧綆鍋佹禍婊堟煏婵炲灝鍔滄い銉e灮閳ь剝顫夊ú婊堝极婵犳艾鏄ラ柍褜鍓氶妵鍕箳閹存繍浠鹃梺鎶芥敱閸ㄥ潡寮诲☉妯锋婵鐗嗘导鎰節濞堝灝娅欑紒鐘冲灴濠€浣糕攽閻樿宸ラ柟鍐插缁傛帗娼忛埞鎯т壕閻熸瑥瀚粈鍐╀繆閻愭壆鐭欑€殿噮鍋婇獮妯肩磼濡桨姹楅柣搴ゎ潐濞叉牕煤閵堝宓佹慨妞诲亾婵﹦绮幏鍛村川婵犲啫鍓垫俊鐐€х€靛矂宕归崼鏇炵畺婵☆垵銆€閺€浠嬫倵閿濆簼绨奸弶鍫濈墦濮婃椽妫冨☉姘辩杽闂佺ǹ锕ラ悧鐘诲箖閿熺姵鍋勯柛蹇氬亹閸欏棝姊洪崫鍕妞ゃ劌鎳忕粋宥夊箚瑜滃〒濠氭煏閸繄绠版い鈺婂墴閺屸剝鎷呴崜鑼悑闂佺粯渚楅崳锝呯暦濮椻偓閸╋繝宕橀悙顒傘偒闂備浇顕ч崙鐣岀礊閸℃稑纾婚柟鐑樺殾濞戙垹绀冮柕濞垮灪閺傗偓闂備胶绮崝鏍п缚濞嗘挻鍊堕柨鏂垮⒔濡垶鏌℃径搴㈢《閺佸牆螖閻橀潧浠滄い锕€鐏氭穱濠囧醇閺囩偛鑰垮┑鐐叉閸╁牓宕惔銊︹拻濞达絿鍎ら崵鈧銈嗘处閸欏啫鐣烽幋锔藉€烽柡宥嚽归ˇ闈涱嚕娴犲鏁囬柣鏃囨腹閸栨牕鈹戦悙瀛樺鞍闁煎綊绠栭弫鍐晝閸屾氨鐣洪梺绋跨箻濡法鎹㈤崱娑欑厱婵炲棗娴氬Σ绋库攽椤斿吋鍠橀柡灞界Ф閹风娀寮婚妷銉ュ強婵°倗濮烽崑娑樏洪鐐垫殾婵犲﹤瀚刊鎾煣韫囨洘鍤€妤犵偐鍋撴繝鐢靛Х閺佸憡鎱ㄩ悜濮愨偓鍌炴寠婢光晪缍佸畷銊╁级閹存繄鈧參姊婚崒姘卞缂佸鐗撳绋款吋婢跺鍙嗗┑鐘绘涧濡瑦鍒婇崗鑲╃閻忓繑鐗楀▍濠囨煛鐏炵偓绀冪紒缁樼洴閹瑩顢楁担鍝勭稻闂傚倷鑳剁划顖炲箰閸洖纾块柤纰卞墯瀹曞弶绻涢幋娆忕仼缂佺媴缍侀弻锝夊箛閳轰礁顬嬬紓浣稿綁閸楀啿顫忛搹鍦<婵☆垳鍎ょ拠鐐烘⒑鐞涒€充壕闂備緡鍓欑粔瀛橆攰闂備礁鎲″ú锕傚垂婵傜ǹ鏋侀柛鎰靛枟閻撳繘鐓崶褝鏀绘繛鍛嚇閺屾盯骞樼拋铏枤濠殿喖锕ュ浠嬬嵁閹邦厽鍎熼柨婵嗗€搁~宀勬⒒娴e憡鍟炴慨濠傜秺閹兘鍩¢崨顔间粧濡炪倖妫冮弫顕€宕戦幘缁樻櫜閹肩补鍓濋悵顕€姊烘潪鎵槮缂佸鏁搁幑銏犫攽閸モ晝鐦堥梺绋挎湰缁嬫垿顢撳☉妯锋斀闁炽儱鍟跨痪褔鏌熺粙鍨毐妞ゎ偄绻掔槐鎺懳熺拠宸偓鎾绘⒑閸涘﹦娲存繛浣冲喛鑰块梺顒€绉寸粻鏌ユ煏韫囧鈧洜绮诲☉娆嶄簻闁哄倸鐏濋埛鏃堟煟閹炬剚鍎旀慨濠呮缁辨帒螣閾忛€涚礃婵犵妲呴崑鍕偓姘緲閻g柉銇愰幒鎴狅紲闂佺粯鍔曢顓㈠储闁秵鍊甸柛蹇擃槸娴滈箖姊洪柅鐐茶嫰婢у鈧娲橀崹鍧楀箖濞嗘挸浼犻柛鏇ㄥ弿缁遍亶姊绘笟鈧ḿ褑澧濋梺鍝勬噺缁捇骞冮敓鐘参ㄩ柍鍝勫€婚崢浠嬫⒑閸濆嫭宸濋柛瀣洴閸┾偓妞ゆ巻鍋撴繝鈧柆宥呯劦妞ゆ帊鑳堕崯鏌ユ煙閸戙倖瀚�
婵犵數濮烽弫鍛婃叏閻戣棄鏋侀柛娑橈攻閸欏繐霉閸忓吋缍戦柛銊ュ€婚幉鎼佹偋閸繄鐟查梺绋款儏椤︾敻寮婚弴锛勭杸閻庯綆浜栭崑鎾诲即閵忊€斥偓宄扳攽閻樻彃顏柛鐘冲姉閳ь剙绠嶉崕鍗炍涘▎鎾崇煑闊洦绋掗悡蹇涙煕椤愶絿绠ユ俊鎻掔秺閺屽秹鏌ㄧ€n亞浼岄梺鍝勬湰缁嬫垿鍩ユ径濠庢建闁割偅绻€缁憋絿绱撻崒娆戝妽妞ゃ劌妫涢弫顔嘉旀担琛℃敵婵犵數濮村ù鍌炲极閸愵喗鐓ユ繝闈涙婢跺嫰鏌涢幒鎾垛槈妞ゎ亜鍟存俊鍫曞礃閵娧傜棯婵犵妲呴崑鍕疮椤栫偛绠為柕濞炬櫅閻掑灚銇勯幒鎴濐仾闁绘挸绻橀弻娑㈩敃閿濆洨鐣洪梺鎸庣☉缁夊灚绌辨繝鍥舵晝闁靛繒濯导鍐⒑閸濆嫮鐒跨紒鏌ョ畺楠炲棝寮崼顐f櫖濠电姴锕ら幉娑㈡晲婢跺鎷洪梺鍛婄缚閸庤鲸鐗庨梻浣虹帛椤ㄥ牊鎱ㄩ幘顔藉仼闁绘垼妫勯~鍛存煏閸繃鍣芥い鏃€甯掗—鍐Χ閸℃ǚ鎷婚梺鍝勬媼閸嬪﹤鐣烽姀銈呯濞达絽鍘滈幏娲⒑閸涘﹦鈽夐柨鏇樺劤缁牏鈧綆鍋嗙粻鎯归敐鍛毐婵炶绠撳畷鎰板醇閺囩喓鍙嗗┑鐘绘涧濡瑩藟閹捐秮鐟扳堪閸曨厾鐓夐梺鍝勭灱閸犳捇鍩€椤掍胶鈯曞畝锝堟硶缁寮借閻斿棝鎮归崫鍕儓妞ゅ浚鍋嗙槐鎺撴綇閵娿儳顑傞梺閫炲苯澧剧紓宥呮缁傚秶鎹勬担鏇犲枛閸┾偓妞ゆ帒瀚埛鎴犵磼椤栨稒绀冮柡澶婄秺閺屾稓鈧綆鍋呯亸顓熴亜椤忓嫬鏆e┑鈥崇埣瀹曞崬螖閳ь剙岣块幋锔解拺缂佸顑欓崕鎰版煙閻熺増鍠樼€殿喛顕ч濂稿炊閵娿儳褰撮梻浣告惈鐞氼偊宕曢崡鐑嗗殨闁哄绨遍弨浠嬫煥閻斿搫啸闁伙絽鎼湁婵犲﹤鍟伴崺锝団偓娈垮枦椤曆囶敇婵傜ǹ閱囨い鎰剁秵閳ь剙娲缁樻媴閸涘﹤鏆堥梺鍦归…鐑藉箖閻戣棄鐓涘ù锝囧劋濞堟儳顪冮妶鍡欏缂佸鍨块、姘舵焼瀹ュ棗鈧灚绻涢幋鐑嗕痪妞ゅ繐鎳愰々鍙夈亜閺嶃劌鐒归柡鈧禒瀣厽闁归偊鍓欑痪褔鏌嶇紒妯荤闂囧绻濇繝鍌氼伀缂佺姷鍋熼埀顒侇問閸犳鎮¢敓鐘偓浣肝旈崨顓狀槹濡炪倖宸婚崑鎾绘煃瑜滈崜娆撴偉婵傜ǹ钃熼柨婵嗩槸缁犳稒銇勯弮鍥撴慨锝呭濮婅櫣娑甸崨顕呮闂佺ǹ锕ゅḿ鈥愁嚕鐠囨祴妲堥柕蹇曞瑜旈弻娑㈠Ψ椤斿彞铏庨梺闈涚箞閸婃牠藟閸℃鐔嗛悹杞拌閸庢垹绱掗埦鈧崑鎾斥攽閻樺灚鏆╁┑顔芥尦瀹曟劙骞栨担鍛婅緢闂佹寧绻傚Λ搴㈢濠婂牆绠规繛锝庡墮閻掔儤绻涢崼鐔哥闁哄本娲熷畷鎯邦槻妞ゅ浚鍙冮弻娑㈠煛閸愩劋妲愬銈冨灪閿曘垽骞冨▎蹇e晠妞ゆ棁宕靛Λ顖涚節閻㈤潧校妞ゆ梹鐗犲畷褰掓焼瀹ュ懐顔囬梺瑙勫劶濡嫰鎷戦悢鍏肩叆闁绘柨鎼瓭闂佺粯鍔曢敃顏堝蓟瀹ュ棙濮滈柟娈垮枛婵′粙姊虹拠鑼缂佽埖鑹鹃~蹇撁洪鍕獩婵犵數濮寸€氼參宕板☉銏♀拺缂佸顑欓崕鎰版煙閻熺増鎼愭い顐㈢箳缁辨帒螣鐠囧樊鈧捇姊洪崨濠勭細闁稿氦娅曢〃娆忊攽閻樺灚鏆╅柛瀣耿瀹曠娀鎮╃拠鎻掕€块梺褰掑亰娴滄繈鎯堣箛娑欌拻濞达綀娅g敮娑㈡煕閺冣偓椤ㄥ﹤顕i锕€浼犻柕澹倻鐟濋梻浣告惈閸燁偊鎮ф繝鍥ㄥ亗婵炲棙鎸婚悡娆愩亜閺嵮勵棞闁兼椿鍨伴埢鎾诲醇閺囩啿鎷洪悗瑙勬礀濞层劎鏁☉娆愬弿濠电姴鍊荤粔鐑橆殽閻愯尙澧﹀┑鈩冩倐婵¢攱鎯旈敐鍛亖闂佸綊顥撴繛鈧鐐存崌楠炴帒鈹戦崶銊с偘闂傚倸鍊搁崐鐑芥倿閿曞倸绠栭柛顐f礀绾惧湱鎲歌箛鏇炲灊濠电姵鑹剧粻濠氭偣閸ヮ亜钄奸柟鑺ユ礋濮婅櫣绱掑Ο娲绘⒖濠电偛鎷戠紞渚€骞嗙仦瑙f瀻闁规儳顕崢鐢电磽娴e壊鍎忛柣蹇旂箞椤㈡濮€閵堝棛鍘靛銈嗘⒒閺咁偊骞婇崶銊﹀弿濠电姴瀚崝瀣倵閻㈤潧甯堕柍璇查叄楠炲鎮╁Ο鑽ょ煂缂佽鲸鎸婚幏鍛村传閸曟埊缍侀弻锝呂旀担鍦槹濡炪們鍨哄畝鎼佸极閹邦厼绶炴俊顖滅帛濞呭洭姊绘担绋挎毐闁诲繐鐗撳鎻掆堪閸喎鈧潧鈹戦悩宕囶暡闁抽攱鍨归幉鎼佹偋閸繄鐟ㄦ繛瀛樼矆閸楁娊寮诲☉妯滅喖宕崟銊﹀瘱缂傚倷绶¢崰妤呮偡閳轰胶鏆﹂柣鏃傗拡閺佸秵绻涢幋鐐茬瑲閻庢艾銈稿缁樻媴閸涘﹨纭€闁哄浜濈换娑氣偓鐢登归崢鎾煕閳瑰灝鍔滅€垫澘瀚伴獮鍥敇閻樻彃绠伴梻鍌欑婢瑰﹪宕戦幒妤€纾婚柛鏇ㄥ墯濞呯娀鎮楅悽鐢点€婇柛瀣尵閹叉挳宕熼鍌ゆК缂傚倸鍊哥粔鎾晝閵夛妇鈹嶅┑鐘插亞濞兼壆鈧厜鍋撳┑鐘插敪椤忓嫧鏀介柣妯诲墯閸熷繘鏌涢妸銈呭祮濠碘€崇埣楠炴牗鎷呭灞炬啺婵犵數鍋為崹鎯板綔濠碘剝褰冮悧濠囧箞閵娿儙鏃堝焵椤掑嫭鍋嬪┑鐘叉搐閺嬩線鏌涢幘妤€鎳愰敍婵囩箾鏉堝墽鍒伴柟纰卞亝閻楀酣姊哄Ч鍥х労闁搞劍濞婂畷鎴﹀Χ婢跺﹥妲梺閫炲苯澧柕鍥у楠炴帡宕卞鎯ь棜闂傚倷娴囬褏鎹㈤幋锔藉殞濡わ絽鍟犻埀顒婄畵瀹曞綊顢氶崨顔肩紦闂備線鈧偛鑻晶瀛橆殽閻愭彃鏆㈡い锕€婀遍埀顒冾潐濞叉牕鐣烽鍕畳闂備礁鎼ˇ鎵偓绗涘洤绐楁俊顖氱毞閸嬫挾鎲撮崟顒傤槶闁哄浜幗鍫曞冀椤€崇秺閺佹劖寰勭€n偆褰搁梻浣圭湽閸庣儤绂嶉鍕垫綎缂備焦蓱婵潙銆掑鐓庣仭闁轰緡鍨跺铏规喆閸曨兙浠ф繛瀛樼矤娴滄粓锝炶箛鏃傤浄閻庯綆浜為ˇ鏉款渻閵堝棛澧紒瀣笒閳诲秹寮介鐔叉嫼闂佸憡绻傜€氼噣鍩㈡径鎰厱婵☆垰婀遍惌娆撴煙椤旀瑣鍊楅悿鈧┑鐐村灦閻熝囧储闁秵鈷戦柡鍌樺劜濞呭懘鏌涢悤浣哥仯缂侇喖鐗撻崺鈧い鎺嗗亾妞ゎ亜鍟存俊鎯扮疀閺囩偟鐓楅梻浣告惈濡瑧绮╃化鏉戔攽閻樺灚鏆╁┑顔惧厴瀵偊宕ㄦ繝鍐ㄥ伎婵炴潙鍚嬪ḿ娆撳垂閸岀偞鐓曢柨鏃囶嚙楠炴ḿ绱掗埀顒佺節閸屾鏂€闂佺粯锚瀵爼骞栭幇鐗堢厽闁圭儤鍨规禒娑㈡煏閸パ冾伃妤犵偞甯掗濂稿醇濠靛棗鑵愰梻鍌欑劍閸撴岸宕归崡鐏绘椽鎮㈤悡搴ゆ憰闂佸搫娲㈤崹褰掔嵁閵忊€茬箚闁靛牆鍊告禍楣冩⒑閸濆嫭锛旂紓宥勭窔瀵鏁嶉崟顏呭媰闂佸憡鎸嗛崟顐㈢仭濠德板€楁慨鐑藉磻閻愬灚鏆滈柨鐔哄Х瀹撲線鎮楅敐搴℃灍闁稿﹤顭烽弻娑㈠焺閸愬じ绶靛┑鈽嗗€ら崘锝嗘杸闂佹寧绋戠€氼剚绂嶆總鍛婄厱濠电姴鍟版晶閬嶆煛娓氬洤娅嶉柟顔界懇瀹曨偊宕熼鐘茬倞闂傚倷绀佺紞濠囧磻婵犲洤绐楁慨妯垮煐閸庢绻涢崱妤冪畾闁衡偓娴犲鐓熸俊顖氭惈缁狙冾熆鐠哄搫顏柡灞剧〒閳ь剨缍嗛崑鍕叏瀹ュ鐓涚€光偓鐎n剛袦婵犳鍠掗崑鎾绘⒑闂堟稓绠氶柛鎾寸箓琚欓柛鏇ㄥ灡閻撴稑霉閿濆懏鎲稿褝闄勯幈銊︾節閸曨厼绗¢梺鐟板槻閹虫劗鍒掑▎鎾崇閹肩补妾ч崑鎾活敍濮橈絾鏂€闂佺粯锕╅崰鏍倶椤忓牊鐓ラ柡鍥悘鈺呮煟閿濆洤鍘存い銏$☉閳藉顫滈崱妤侇啌闂備浇顕х€涒晝绮欓幒妤佹櫔濠电偛鐡ㄧ划鐘诲垂鐠轰警娼栨繛宸簻瀹告繂鈹戦悩鎻掝伀闁伙絽鐏氱换婵嗏枔閸喚浠存俊鐐茬摠閹倿鐛崱娑樼睄闁割偅绻嶅ḿ濠囨⒑閹稿海鈽夐悗姘煎枦閸婂瓨绻濈喊澶岀?闁稿鍨垮畷鎰板冀椤撶偟顦┑掳鍊曢幊搴g玻濡ゅ懎绠规繛锝庡墮閻忣喗銇勯埡鍌氱祷閾绘牠鏌ㄥ┑鍡樺櫣闁哄棛鍋ら弻锝夊箻鐎靛憡鍒涢梺鍝勬湰閻╊垱淇婇悜鑺ユ櫜闁告侗鍙庨悗鎾⒒娴e湱婀介柛鏂跨Ч瀹曞綊宕稿Δ鈧拑鐔兼煥濠靛棭妲归柛瀣閺屾稑鈻庤箛锝喰ч梺缁樼箖濡啫顫忛搹鍏夊亾閸︻厼校妞ゃ儱顦伴妵鍕晜閻愵剚姣堥梺缁樹緱閸犳牞鐏掗梺鍏肩ゴ閺呮繈藝閳哄懏鈷戠紓浣光棨椤忓嫮鏆︽い鎺戝閺佸棝鏌曡箛濞惧亾閼碱剛鐣鹃梻浣虹帛閸旓附绂嶅⿰鍫濈劦妞ゆ帊鑳舵晶顏堟偂閵堝棛绡€闂傚牊绋掗ˉ鎴︽煛鐎n亞效闁哄矉绻濆畷鍫曞煛娴i攱鍠氱紓鍌氬€搁崐鐟扮暆閹间焦鍋傛い鎰剁畱閻愬﹪鏌曟繛褉鍋撴俊鎻掔墦閹鎮烽悧鍫濇殘缂備浇顕ч崯瀛樹繆閻㈢ǹ绀嬫い鏍ㄦ皑椤旀帒鈹戞幊閸婃劙宕戦幘缁樼厱闁绘洑绀侀悘锔姐亜閵忥紕鎳囬柡浣规崌閺佹捇鏁撻敓锟�20濠电姷鏁告慨鎾儉婢舵劕绾ч幖瀛樻尭娴滅偓淇婇妶鍕妽闁告瑥绻橀弻锝夊箣閿濆棭妫勭紒鐐劤椤兘寮婚敐鍛傜喎鈻庨幆褎顔勭紓鍌欒兌婵挳鎮樺璺何﹂柛鏇ㄥ枤閻も偓闂佸湱鍋撻幆灞轿涢垾鎰佹富闁靛牆楠告禍婵囩箾閸欏缂氶柟骞垮灩閳规垹鈧綆鍋掑Λ鍐ㄢ攽閻愭潙鐏ョ€规洦鍓熷畷婊堝箥椤斿墽锛濇繛杈剧到閹碱偅鐗庨梻浣规偠閸斿苯岣块垾鎰佸殨濠电姵鑹惧洿闂佺硶鍓濋敋鐎殿喖娼″楦裤亹閹烘垳鍠婇梺绋跨箲閿曘垹鐣烽幋锕€绠绘繝銏犲濡啴宕洪埀顒併亜閹烘垵顏╅柣鎾寸箞閺岋繝宕橀妸褍顣哄銈庡亜閹虫﹢寮婚敐鍛傜喖鎮滃鍡橈骏闂備胶顢婂▍鏇㈠箲閸ヮ剙围妞ゅ繐鎳庨閬嶆煛婢跺鐏╂い锔哄姂濮婃椽宕橀崣澶嬪創闂佹寧娲忛崕鐢稿极瀹ュ宸濇い鏍ㄧ矌閿涙繈姊虹粙鎸庢拱闁荤啙鍥佸洭鏁傛慨鎰盎闂佹寧妫侀褔鎮橀敂濮愪簻闁靛繆鈧啿鎽靛銈冨灪閿曘垺鎱ㄩ埀顒勬煟濮椻偓濞佳勬叏閿旀垝绻嗛柣鎰典簻閳ь剚鐗曢蹇旂節濮橆剛锛涢梺瑙勫劤椤曨厾寮ч埀顒勬⒑闁偛鑻晶鎾煛鐏炶姤顥滄い鎾炽偢瀹曘劑顢涢妶鍥ц€块梻鍌氬€烽懗鍓佸垝椤栨凹娼栧┑鐘宠壘閸屻劎鎲搁弬娆惧殨闁告稑锕﹂悷褰掓煃瑜滈崜鐔奉嚕婵犳艾鍗抽柕蹇曞█閸炶泛鈹戦悩鑼粵闁告梹鐗楅弲銉╂⒒閸屾瑨鍏岄弸顏勎旈悩鍙夋喐缂侇喗妫侀妵鎰板箳閹达絾鎲版繝鐢靛仦閸垶宕硅ぐ鎺戠闁规儼濮ら悡蹇撯攽閻愯尙浠㈤柛鏃€纰嶉妵鍕敃閻斿憡鐝氬┑顔硷功閸庛倗鈧數鍘ч埢搴ㄥ箣閻樿櫕顔忕紓鍌氬€搁崐鍝ョ矓閹绢喗鏅濇い蹇撶墢瀹撲線鏌涢幇鈺佸闁哄啫鐗嗙粈鍐煃鏉炴壆鍔嶉柣搴弮濮婄粯鎷呴崨濠傛殘濠电偠顕滅粻鎾崇暦閿濆棙鍎熼柕濞垮劜鏉堝牓姊虹捄銊ユ灁濠殿喚鏁婚崺娑㈠箣閿旂晫鍘卞┑鐘绘涧濡顢旈鍛簻闁靛绠戦悘鎾煛鐏炲墽銆掗柍褜鍓ㄧ紞鍡涘磻閸涱厾鏆﹂悘鐐靛亾閸欏繐鈹戦悩鎻掓殲闁靛洦绻勯埀顒冾潐濞诧箓宕戞繝鍌滄殾闁绘梻鍘ч崹鍌涖亜閹邦剝鐧侀柛銉e妷閹锋椽姊洪崨濠勨槈闁挎洏鍎甸崺娑㈠箛閻楀牏鍘藉┑掳鍊曢崯顐﹀煝閸噥娈介柣鎰絻閺嗭綁鏌℃担瑙勫磳闁诡喒鏅犻幖褰掝敃閿濆洤寤洪梻鍌氬€风粈渚€骞夐垾瓒佹椽鏁冮崒姘鳖槶濠电偛妫欓幐濠氬磻閻旇褰掓偂鎼达絾鎲奸梺鎶芥敱閸ㄥ灝顫忔繝姘唶闁绘梹浜介埀顒佸笧缁辨帡鎮╅崘鎻掓懙闂佸搫鏈惄顖炵嵁濡皷鍋撻棃娑欐喐闁汇倕瀚板铏规嫚閳ヨ櫕鐏€闂侀€炲苯澧柡瀣偢瀵憡鎯旈妸锔惧幍闂備緡鍙忕粻鎴﹀几閵堝棎浜滈柡鍐e亾婵炲弶岣块幑銏犫攽鐎n亶娼婇梺鎸庣箓濡盯濡撮幇顒夋富闁靛牆妫楅悘銉︿繆椤愶絿銆掗柛鎺撳浮瀹曞ジ濡烽妷褍濮︽俊鐐€栫敮鎺斺偓姘煎弮瀹曟劙宕归銈囶啎闂佸壊鍋呯换鍕閵忥紕绠鹃柛娑卞幘鏁堥梺鍝勭焿缁绘繈宕洪埀顒併亜閹烘垵顏╃痪顓涘亾闂備胶绮崹闈浳涘Δ鈧埢鎾活敃閿旇В鎷洪梺鍛婄☉閿曘儲寰勯崟顖涚厱閻庯綆鍋勫ù顔锯偓瑙勬磸閸庢娊鍩€椤掑﹦绉甸柛鐘愁殜閹繝寮撮姀锛勫幐闂佹悶鍎崕杈ㄤ繆閸忕⒈娈介柣鎰懖閹寸偟鈹嶅┑鐘叉搐閻顭跨捄鐚村姛濞寸厧鑻埞鎴︻敊绾攱鏁惧┑锛勫仩濡嫰鎮鹃悜绛嬫晝闁挎洍鍋撶紒鈧€n偁浜滈柟閭﹀枛閺嬪骸霉濠婂嫬鍔ら棁澶愭煟濡儤鈻曢柛搴㈢矌缁辨挸顓奸崱娆忊吂濡炪値鍙€濞夋洟骞戦崟顖涘€绘俊顖滅帛鐎氭娊姊绘担鍛靛湱鎹㈤幋鐘插灊闁规崘顕ч拑鐔哥箾閹存瑥鐒洪柡浣稿暣閺屻劌鈹戦崱姗嗘¥濡炪倧璐熼崝鎴濐潖濞差亜浼犻柛鏇ㄥ墮椤庢盯姊洪崨濠冨暗闁哥姵鐗犻悰顕€宕橀…鎴炲缓闂侀€炲苯澧存鐐插暙閳诲酣骞橀幖顓燁棃婵犵數鍋為崹鍫曘€冮崨姝ゅ顫濇潏鈺冿紳闂佺ǹ鏈悷銊╁礂鐏炶В鏀芥い鏃傚亾閺嗏晠鏌℃笟鍥ф珝闁搞劑绠栭獮鍥ㄦ媴閸︻厾鈻夋繝鐢靛Х閺佸憡鎱ㄩ悽鍛婂殞濡わ絽鍟崐宄扳攽閻樺弶澶勯柣鎾卞劜缁绘繈妫冨☉娆樻!闂侀潻绲挎灙妞ゎ叀娉曢幉鎾礋椤掑偆妲规繝娈垮枛閿曘儱顪冩禒瀣疇闁跨喓濮村洿闂佸憡渚楅崰姘跺焵椤掍礁鍔ら柍瑙勫灴閹瑩骞撻幒鏃堢崜闂備焦鎮堕崝灞结缚閿熺姷宓佸┑鐘蹭迹閺冨牆绀冮柍杞拌兌閿涘繘姊洪懡銈呬沪缂佸鐗撳畷婊冣攽鐎n偄鈧泛銆掑锝呬壕濠殿喖锕ㄥ▍锝呪槈閻㈢ǹ宸濇い鏂垮悑闁款參姊婚崒姘偓鍝モ偓姘煎墰閳ь剚纰嶅姗€鎮鹃悜钘夊嵆闁靛繒濮烽娲⒑閹稿孩顥嗘俊顐㈠閸┾偓妞ゆ帒鍊归弳顒勬煛鐏炶濡奸柍瑙勫灴瀹曞崬鈽夐幍浣镐壕婵°倓绶″▓浠嬫煟閹邦喗顬嬬紓鍌涙皑缁辨帗娼忛妸銉﹁癁闂佽鍠掗弲娑㈡偩閻戣棄鐐婄憸澶愬箯娴煎瓨鈷掑ù锝呮啞閹牆顭跨捄鐑樺枠鐎规洘绮岄埞鎴﹀幢閳轰焦顔傞梻浣告啞濞诧箓宕戦埀顒佷繆閹绘帞澧涚紒缁樼洴瀹曞崬螖娴d警娲跺┑鐐差嚟閵嗗骞忛敓锟�