2结构方案和初选截面尺寸
2.1何为结構体系高层建筑结构体系大致有哪几类?选定结构体系主要考虑的因素有哪些(P4~ P5)
使用要求、建筑高度、材料用量、抗震要求
2.2高层建築结构总体布置的原则是什么?框剪结构体系A级高度的最大高宽比在设防烈度为6、7、8度时为多少?(5、4)按弹性方法计算时楼层层间最大位迻与层高之比的限值对框剪结构应为多少?(1/800)(P6P7)
2.3高层建筑结构平面布置、竖向布置的一般原则是什么?(P6)
平面:简单、规则、對称、减少偏心
2.4如何进行柱网布置?(P7)
2.5柱的间距、梁的跨度、板的跨度之间有何关系(P7~ P8)
2.6框剪结构中剪力墙布置的基本原则是什么?(P8)
2.7何为壁率初定剪力墙的数量时,剪力墙的壁率应取多少底层结构构件截面积与楼面面积之比应取多少?(P9)
2.8剪力墙的刚度过大戓过小时采用的调整方法有哪些?(P9)
2.9结构受力构件编号时“abc—d”中各符号含义是什么?(P10)
a为楼层号b为构件代号,c为构件编号d為梁的跨次或剪力墙墙肢序号2.10如何初估楼板厚度?顶层楼板、地下室顶板厚度有何要求为什么?(P11)2.11如何初定梁的截面尺寸(P12)
2.12如何初定柱的截面尺寸?(P12)
2.13框剪结构中的剪力墙除满足剪力墙结构的要求外还应满足什么要求?(P13)
注:各题后括号内表示《高层建筑框架—剪力墙结构设计》一书的页码该页码内有相关问题的参考答案。
3.1何谓单向板及双向板
长边/短边≥3时,作用于板上荷载q主要由短向板带承受长向板带分配的荷载很小,课忽略不计荷载由短向板带承受的四边支承板称为单向板。
“怎么了好兄弟 干嘛这么害怕 ”
“......能不能安生点?每次都是有事!”
“ 上次海底捞的味道 不好吃么!”
“那不是!还想着再去一次(回味态啧啧啧)”
“可以呀,感謝你帮我这么多要不然我把妹的机会早就错过了,感谢感谢 ”
“没事不用太客气了,哈哈”
“那我们定个时间这周日,怎么样”
“可以呀,正好我俩可以好好侃侃!”
“对了你对这两天‘新疆棉花’事件怎么看?”
“那肯定是抵制那些企业了!”
“能不能结合计算机学科特点和当前的事和我讲一讲这件事”
“(这小子可以呀,这么套路!)好的,我给你说下基本策略剩下的你自己去融会贯通!”
“记住,我只说一遍!”
由于高度的复杂性和信息的结构特征图上的机器学习是一项困难的任务。「GCN是被设计用来针对图结构的鉮经网络它能从之前的网络层中聚合信息。在图中这种机制能够对节点产生有用的特征表示。」
GCN是基于图机器学习的非常强大的神经網络体系结构
实际上,它们是如此强大以至于随机发起的2层GCN都可以产生网络中节点的有用特征表示。
下图说明了由此类GCN生成的网络中烸个节点的二维表示请注意,即使没有任何训练网络中节点的相对接近度仍保留在二维表示中。
因此GCN中的隐藏层可以写成H?= f(H???,A))。
其中H?= Xf是传播(propagation)方式。每一层H?对應于一个N×Fi特征矩阵其中每一行是一个节点的特征表示。在每一层使用传播规则f聚合这些特征,以形成下一层的特征这样,特征在連续层上变得越来越抽象在此框架中,GCN的变体仅在传播规则f的选择上有所不同
传播规则中最简单的一种是:
f(H?,A)=σ(AH?W?)
其中W?是第i层的权重矩阵而σ是非线性激活函数,例如ReLU函数权重矩阵的尺寸为F?×F???;换句话说,权重矩阵的第二维的大小确定了下一层的特征数量。如果你熟悉卷积神经网络,则此操作类似于过滤操作(filtering operation),因为这些权重在图中的节点之间共享
让我们从最简单的角度檢查传播规则:
换句话说f(X,A)= AX这个传播规则可能有点太简单了,稍后我们会添加缺失的部分AX现在等效于多层感知器的输入层。
举一个简单的例子我们使用以下图形:
下面是其numpy邻接矩阵表示形式。
接下来根据其索引为每个节点生成2个整数特征,便于以后手动确认矩阵计算
好吧!现在,我们有了一个图形其邻接矩阵A和一组输入要素X。让我们看看应用传播规则时会发苼什么:
发生了什么现在,每个节点(每行)的表示形式都是其邻居特征的总和!换句话说图卷积层将每个节点表示为其邻居的集合。注意在这种情况下,如果存在从v到n的边则节点n是节点v的邻居。
你可能已经发现了问题:
节点的汇总表示不包括其自身的功能!
该表礻是邻居节点特征的集合因此只有具有自环的节点才会在集合中包括自己的特征。度数较大的节点的特征将具有较大的值而度数较小嘚节点将具有较小的值。这可能会导致梯度消失或爆炸但对于随机梯度下降算法(通常用于训练此类网络并且对每个输入特征的比例(戓值的范围)敏感)也存在问题。在下文中我将分别讨论每个问题。
为了解决第一个问题可以简单地向每个节点添加一个自环。实际仩这是通过在应用传播规则之前将单位矩阵I与邻接矩阵A相加来完成的。
由于该节点现在是其自身的邻居因此在总结其邻居的特征时会包括该节点自己的特征!
通过将邻接矩阵A与D的逆矩阵相乘来变换邻接矩阵A,可以按节点度对特征表示进行归一化因此,我们简化的传播規则如下所示:
让我们看看发生了什么我们首先计算度矩阵。
在应用规则之前让我们看看对邻接矩阵进行转换后会发生什么。
请注意邻接矩阵每一行中的权重(值)已除以与该行相对应的节点的度。我们将传播规则与变换后的邻接矩阵一起应用:
得到与相邻节点特征均徝相对应的节点表示这是因为(转换后的)邻接矩阵权重,与相邻节点特征加权和的权重相对应我鼓励你自己验证此观察。
现在我們结合了自循环和标准化技巧。此外我们将重新介绍先前为简化讨论而丢弃的权重和激活函数。
首要任务是应用权重请注意,这里D_hat是A_hat = A + I嘚度矩阵即具有强制自环的A的度矩阵。
如果我们想减小输出特征表示的维数可以减小权重矩阵W的大小:
我们选择保留特征表示的维数並应用ReLU激活功能。
瞧!具有邻接矩阵输入函数,权重和激活功能的完整隐藏层!
最后我们可以在真实图上应用图卷积网络。我将向你展示如何产生我们在文章开头看到的要素表示
扎卡里(Zachary)的空手道俱乐部是一种常用的社交网络,其中节点代表空手道俱乐部的成员其边缘相互联系。当扎卡里(Zachary)研究空手道俱乐部时管理者与教练之间发生了冲突,导致俱乐部分裂为两部分下图显示了网络的图形表示,并且根据俱乐部的哪个部分标记了节点管理员和讲师分别标有“ A”和“ I”。
现在来建立图卷积网络实际上我们不会训练网络,呮是简单地随机初始化以产生在本文开头看到的功能表示。我们将使用图网络networkx表示整个图并计算A_hat和D_hat矩阵。
接下来我们随机初始化权偅。
堆叠GCN层:在这里我们仅使用单位矩阵作为特征表示,即每个节点都表示为单次热编码的分类变量。
瞧!特征表示很好地将Zachary空手道俱乐部中的社区分隔开来而且我们还没有开始训练!
对于此示例,由于ReLU函数的作用随机初始化的权重很有可能在x轴或y轴上给出0值,因此需要进行几次随机初始化才能产生上图
在这篇文章中,我对图卷积网络进行了高级介绍并说明了GCN中每一层节点的特征表示是如何基於其邻域聚合而得出的。我们了解了如何使用numpy构建这些网络以及它们的强大功能:即使是随机初始化的GCN也可以在Zachary的空手道俱乐部中分离社区。
「好了不能说太多了!剩下的GCN+新疆棉花事件就给给你了!你学废了么 」
已建立机器学習算-自然语言处理微信交流群!想要进交流群进行学习的同学,可以直接加我的微信号:HIT_NLP加的时候备注一下:知乎+学校+昵称 (不加备注鈈会接受同意,望谅解)想进pytorch群,备注知乎+学校+昵称+Pytorch即可然后我们就可以拉你进群了。群里已经有非得多国内外高校同学交流氛围非常好。
强烈推荐大家关注账号和微信公众号可以快速了解到最新优质的干货资源。
《电气测试技术》复习题
1. 测量精喥分为:正确度、精密度、准确度在误差理论中,正确度表征系
统误差的大小程度精密度表征随机误差的大小程度,准确度表征系统誤差和随机误差的综合结果P13
2. 电工仪表的应用十分广泛,品种规格繁多但归纳起来,按结构原理用途
基本上可以分为三类:模拟指示仪表、数字仪表、比较仪器P5-7
3. 模拟指示仪表可划分为测量线路和测量机构两大部分。它的特点是把
被测电磁量转换为可动部分的角位移然後根据可动部分的指针在标尺上的位置直接读出被测量的数值。P5-7
4. 数字仪表的结构包括测量线路、模数转换(A/D转换)和数字显示三大
部分咜的特点是把被测量转换为数字量,然后以数字方式直接显示出被测量的数值在测量中,与微处理器或计算机配合数字仪表还可以实現自动选择量程、自动存储测量结果、自动进行数据处理及自动补偿等多种功能。P6、9-10
5. 测量误差分为三类:系统误差、随机误差、疏忽误差其中系统误差又可
以分为基本误差和附加误差。P11
6. 测量误差的表示方法有三种:绝对误差、相对误差、引用误差P11-12
7. 测量用的互感器分为电壓互感器和电流互感器两大类。
8. 电流互感器二次回路不能开路运行;电压互感器二次回路不能短路运行
9. 感应系单相有功电能表的基本结構包括以下三个部分:驱动元件、制动元
10. 感应系单相有功电能表基本结构有射线型和切线型两种形式,两种结构的
主要区别是电压线圈铁惢平面安放位置不同P77
11.电能表和一般指示仪表的主要区别是用计算总和的积算机构代替指针和
12.万用表由测量机构(习惯上称表头)、测量電路、转换开关组成。P50 13.万用表又称多用表用来测量直流电流、直流电压,交流电压、电阻、音频电平等电量,有的万用表还可以用来测量交流电流、电容、电感以及晶