【摘 要】
：
城市中的历史建筑与街区是人类积年生活的容器，反映了世代的生活趣味与个人悲喜。在城市建设逐渐放缓，存量大于增量的现今，如何正视历史街区现值，基于现今的社会背景与人群需求合理更新，是当今城市建设需要普遍关注的议题之一。 故此，本文以汉口原租界区一历史街区为例，以该街区建筑形态、目标人群、行为模式的新1日关系切入，通过实地调研和问题分析，找到一套较为切实可行且具人文关怀的新旧关系整合设计策略。 文章
论文部分内容阅读
城市中的历史建筑与街区是人类积年生活的容器，反映了世代的生活趣味与个人悲喜。在城市建设逐渐放缓，存量大于增量的现今，如何正视历史街区现值，基于现今的社会背景与人群需求合理更新，是当今城市建设需要普遍关注的议题之一。
故此，本文以汉口原租界区一历史街区为例，以该街区建筑形态、目标人群、行为模式的新1日关系切入，通过实地调研和问题分析，找到一套较为切实可行且具人文关怀的新旧关系整合设计策略。
文章试图借以此探索历史街区复杂城市环境下的更新方法，并合理应用到今后的城市更新中去。
其他文献
近年来，随着智能设备的普及，移动应用得到迅速的发展。这些应用往往依赖于基于位置的服务，通过使用用户的坐标位置或者语义/逻辑位置为用户提供个性化服务内容。基于位置服务的应用对用户位置信息的访问带来了严重的隐私隐患，为了使用户在获得基于位置服务的同时保障其隐私不受侵犯，研究者们针对位置隐私定义以及隐私与功能之间的最优化权衡展开了研究。 现有的隐私定义主要基于信息论和差分隐私这两个概念，且主要针对用户
随着网络信息技术的不断发展，互联网已经成为国民经济和社会发展的重要基础设施，各类业务与应用对网络基础设施的可扩展性和健壮性要求达到了新的高度。IETF提出的新一代网络管理协议 NETCONF，以及用于描述网络配置和状态数据的 YANG 模型，可以降低人工运维成本，使网络运维趋于自动化。 然而由于业务现实等因素，各家厂商和标准化组织构建的YANG模型存在异构性，不同来源的YANG模型在语义上难以统
近年来，传统数据中心网络的性能已经无法满足分布式应用日益增长的网络需求，新型的低延迟数据中心网络应运而生。低延迟数据中心网络的核心技术是RDMA，即远程直接内存访问技术。RDMA本质上是将协议栈卸载到硬件中，实现了内核旁路技术，避免了传统网络中数据从用户态到内核态的拷贝开销，同时省去了内核处理的开销，为数据中心分布式应用提供了低延时和高带宽的性能优势。RDMA 与数据中心应用的结合使得传统的基于T
X射线数字化放射成像（DR，Digital Radiography）使得医生在无创条件下，能够初步掌握关于病人病情和病灶的基本信息，在众多疾病的医学临床检查和诊断中扮演着不可替代的重要角色。为了降低电离辐射可能带来的致癌风险，低剂量成像是目前临床应用的必然趋势。然而降低辐射剂量将引入大量噪声，导致成像结果严重退化。近年来，随着硬件技术的发展和深度学习理论日渐成熟，基于卷积神经网络的图像噪声抑制研究
近年来，随着证书的普及，学历造假、隐私泄露等事件层出不穷。已有的解决方案大多是基于传统的中心化数据库存储技术，会造成数据丢失、泄露且难以恢复的情况，存在一定的弊端。即便能够保证数据可信，但单凭学历证书也并不能完全代表一个人的能力。 区块链技术的提出为解决上述问题提供了新的思路。学程链是一个基于区块链的学历鉴证平台，它通过将学生全周期的学习经历数据、数字身份存储于区块链上，保证学生数据安全且不可篡
肾癌是人类最常见的十大癌症之一，在治疗肾癌以及肾脏的另一些良性肿瘤方面，外科手术是最佳选择。其中，保留肾单位手术（Nephron Sparing Surgery，NSS）是治疗肾肿瘤的一种有效方法。NSS手术前需要进行计算机断层扫描增强造影（Computed Tomographic Angiography，CTA）确定位置、大小等信息，为此需要在 CTA 图像中进行肾脏定位，并对手术相关组织边缘进
水下目标检测作为诸多水下作业的先决条件之一，通过区分水下多类别目标的不同个体并准确定位，为观测者对水下探测的深入研究提供保障。而声呐图像目标检测作为水下目标检测的关键任务，具有高频，高分辨力，多波束及实时性强的特点，在工业及军事等诸多领域均有着广泛的应用价值。因此面向声呐图像的目标检测任务对于水下探测具有重要意义。 然而传统目标检测算法无法满足声呐图像目标检测任务对处理效率、性能及智能化等方面所
索引结构是用来提高数据访问性能的重要工具，但其采用的数据结构没有考虑真实数据的分布特征。而机器学习的本质是从数据中发掘隐藏的模式，这些从数据中发掘的模式反映了数据的内在联系和分布规律。因此机器学习为建立数据索引提供全新的解决思路。此外，机器学习模型存储空间小、并行度高、查询速度快的特点可以有效地提高索引的查询性能，降低索引带来的空间开销。然而目前基于机器学习的索引结构（简称学习索引）存在着以下不足
高可用的多云存储系统是当前大数据存储领域的研究热点，具有广泛的应用前景。然而随着大数据应用模式的不断发展，对现有多云存储机制提出了新的挑战：一方面，不同的大数据应用对数据的读写操作差异较大，使得其I/O模式呈现显著的异构性。为保证应用的访问性能，多云存储系统需要根据不同应用的I/O模式制定灵活的数据放置方案；另一方面，随着上层应用数据的不断增多，数据放置不均问题难以避免，此时需要合理的负载均衡策略
深度强化学习（DRL）结合了深度学习的感知能力和强化学习的决策能力，从而能够处理传统强化学习难以解决的复杂决策问题。然而，深度强化学习模型仍面临着样本利用率低、对环境的微小变化泛化性不足等局限。这些局限性主要体现在深度强化学习往往会过度拟合训练数据，进而无法解决具有复杂逻辑和关系结构的问题。针对上述问题，DeepMind 在 18年提出了新的关系强化学习（RRL）算法。该算法提倡学习和复用以实体和