基于多尺度卷积类内迁移学习的列车轴承故障诊断

考虑变工况下列车轴承振动数据分布不一致情况下, 传统深度学习诊断模型的泛化能力下降, 提出了一种多尺度卷积类内自适应的深度迁移学习模型; 模型利用改进的ResNet-50网络分析振动数据的频谱, 得到了中间层次特征, 构造了多尺度特征提取器, 从不同尺度处理中间层次特征得到高层次特征; 将高层次特征作为分类器的输入, 同时计算了伪标签以缩短在不同工作条件下收集的振动信号的条件分布距离来进行类内匹配; 为了验证模型的通用性和优越性, 将提出的模型分别用于列车轮对轴承数据集和凯斯西储数据集的多个工况进行试验验证和分析。研究结果表明: 通过对齐不同域中同一类样本的高层次特征作为分类器的输入, 提出的模型获得了更为理想的故障诊断精度; 在列车轴承6个变工况诊断实例中, 平均诊断精度为90.75%, 与传统深度学习模型相比, 模型诊断精度平均提高了约10%, 召回率为0.927;在凯斯西储数据集的12个变工况诊断实例中, 模型平均诊断精度达99.97%, 比传统模型提高约10%。可见, 利用伪标签减小了不同域之间的条件分布差异, 很好地处理了源域和目标域数据分布不一致的问题; 多尺度特征提取器能从不同尺度对齐样本的高层次特征, 增强了模型的泛化性与鲁棒性, 是解决变工况列车轴承故障诊断问题的一种有效模型。      

COVID-19 Interpretable Diagnosis Algorithm Based on a Small Number of Chest X-Ray Samples

The COVID-19 medical diagnosis method based on individual's chest X-ray (CXR) is achieved dif-ficultly in the initial research,owing to difficulties in identifying CXR data of COVID-19 individuals.At the beginning of the study,infected individuals' CXRs were scarce.The combination of artificial intelligence (AI)and medical diagnosis has been advanced and popular.To solve the difficulties,the interpretability analysis of AI model was used to explore the pathological characteristics of CXR samples infected with COVID-19 and assist in medical diagnosis.The dataset was expanded by data augmentation to avoid overfitting.Transfer learning was used to test different pre-trained models and the unique output layers were designed to complete the model training with few samples.In this study,the output results of four pre-trained models in three different output layers were compared,and the results after data augmentation were compared with the results of the original dataset.The control variable method was used to conduct independent tests of 24 groups.Finally,99.23％ accuracy and 98％recall rate were obtained,and the visual results of CXR interpretability analysis were displayed.The network of COVID-19 interpretable diagnosis algorithm has the characteristics of high generalization and lightweight.It can be quickly applied to other urgent tasks with insufficient experimental data.At the same time,interpretability analysis brings new possibilities for medical diagnosis.     

基于深度学习的车辆轨迹重建与异常轨迹识别

车辆移动轨迹的不确定性及异常点段的存在使其在数字交通领域的应用面临挑战。本文构建基于数据增强的LSTM-AE-Attention深度学习模型，进行车辆轨迹重建和异常轨迹识别。首 先，使用对抗生成网络和贝塞尔样条曲线从样本量和种类两方面扩充数据集，实现数据增强；其 次，通过自编码网络与长短时记忆神经网络提取轨迹特征并完成轨迹重建；最后，结合自编码网络预训练和注意力机制构建异常识别模型。采用实际车辆轨迹数据测试，模型的评价指标明显优于支持向量机、随机森林和长短时记忆神经网络模型，重建实验中模型的决定系数为0.968，异常识别实验中模型的F1值较对比模型平均提升9.8%。结果表明，本文提出的模型可有效、可靠地运用于平滑车辆轨迹数据和纠正异常车辆轨迹。     

Multi-Model Ensemble Deep Learning Method to Diagnose COVID-19 Using Chest Computed Tomography Images

Deep learning based analyses of computed tomography (CT) images contribute to automated diagnosis of COVID-19,and ensemble learning may commonly provide a better solution.Here,we proposed an ensemble learning method that integrates several component neural networks to jointly diagnose COVID-19.Two ensemble strategies are considered:the output scores of all component models that are combined with the weights adjusted adaptively by cost function back propagation;voting strategy.A database containing 8347 CT slices of COVID-19,common pneumonia and normal subjects was used as training and testing sets.Results show that the novel method can reach a high accuracy of 99.37％ (recall:0.9981;precision:0.9893),with an increase of about 7％in comparison to single-component models.And the average test accuracy is 95.62％ (recall:0.9587;precision:0.9559),with a corresponding increase of 5.2％.Compared with several latest deep learning models on the identical test set,our method made an accuracy improvement up to 10.88％.The proposed method may be a promising solution for the diagnosis of COVID-19.     

Genetic Algorithm Based Feature Selection and Parameter Optimization for Support Vector Regression Applied to Semantic Textual Similarity

Semantic textual similarity(STS) is a common task in natural language processing(NLP). STS measures the degree of semantic equivalence of two textual snippets. Recently, machine learning methods have been applied to this task, including methods based on support vector regression(SVR). However, there exist amounts of features involved in the learning process, part of which are noisy features and irrelative to the result.Furthermore, different parameters will significantly influence the prediction performance of the SVR model. In this paper, we propose genetic algorithm(GA) to select the effective features and optimize the parameters in the learning process, simultaneously. To evaluate the proposed approach, we adopt the STS-2012 dataset in the experiment. Compared with the grid search, the proposed GA-based approach has better regression performance.     

基于集成式神经网络的扁平箱梁颤振导数预测

扁平箱梁因具有较优的颤振性能,已被应用于绝大多数大跨径桥梁. 为便于桥梁设计者在大跨度桥梁初步设计阶段快速评估扁平箱梁的颤振性能,提出了一种基于集成学习的深度神经网络模型,用于快速预测扁平箱梁颤振导数. 首先采用强迫振动风洞试验获取了15种典型扁平箱梁的颤振导数,结合自由振动风洞试验和二维颤振计算验证了颤振导数的准确性;基于风洞试验数据,构建了大小为525的颤振导数数据集,以此数据集为基础,对所提出的集成式深度神经网络开展了模型训练和性能测试. 计算结果表明:所提出的集成式深度神经网络模型仅依靠扁平箱梁的气动外形特征即可准确且快速地预测不同折算风速下的8个颤振导数,且仅利用本文60%的数据集进行训练即可获取较高精度的预测结果;对比传统的多项式回归模型和单一人工神经网络模型,本文所提出的集成式深度神经网络模型预测精度更高,可直接应用到桥梁初步设计阶段的气动选型和颤振计算中.      

考虑换乘异质性的城市轨道交通时刻表协同优化模型

在城市轨道交通网络化运营条件下，极易导致换乘站的换乘需求差异过大。为提高列车时刻表与换乘需求的匹配度，本文基于网络中换乘站的空间拓扑结构和换乘需求在时间和方向上的特点，通过构建量化换乘差异的协同度指标，建立以列车同步次数最大化为目标的列车时刻表优化模型，优化轨道交通网络线路间成功衔接次数，提升乘客换乘出行效率。针对提出的混合 整数非线性规划模型，本文设计了一种基于天牛须搜索的粒子群优化算法进行求解，并将模型及算法应用于北京市轨道交通网络进行算例分析。结果表明，所构建的模型能依据换乘需求在空间、时间及方向上的差异，利用协同度分级优化轨道交通路网中列车协同状态；优化后全网列车同步到达次数增加33.86%，乘客平均换乘等待时间减少22.75%；相较于PSO和BAS算法，本文所提的算法具有更好的全局搜索能力和求解效率。本文可有效提高轨道交通换乘效率，为提升城 市轨道交通服务质量提供理论参考。     

基于联合投票网络的交通场景天气分类方法

基于交通视频监控图像的天气识别已经成为智能交通系统中重要的研究课题. 虽然卷积神经网络（convolutional neural network,CNN）在图像识别技术获得了巨大的发展,但是针对复杂交通场景的天气识别问题,现有的模型在特征表达方面仍然面临着巨大的挑战. 为了提取丰富的语义特征,提出了基于联合投票机制的深度神经网络（deep neural network,DNN）模型. 所提出的模型包括两个核心模块:基于通道和空间注意力机制的二阶特征模块和基于复合特征结果联合投票机制的分类模块, 用以提取不同天气图像中的判别性信息,提高在复杂交通场景下的天气识别性能. 最后,在两个基准天气分类数据集上进行了验证试验,结果表明:对于复杂场景条件下的天气识别问题,所提出的基于联合投票机制的深度神经网络模型的识别正确率优于目前最好的天气识别方法的1.97%.      

基于层次集成学习的高光谱图像分类

为提高高光谱图像（HSI）分类精度,基于集成学习方法提出高光谱图像分类的层次集成学习新框架。采用两种集成学习策略：外部集成及内部集成。在外部集成阶段,构造多种高光谱图像的光谱和空间特征,使外部集成呈高度多样性,有利于提高分类精度;内部集成阶段,针对关联多特征集中的个体,Adaboost算法实现个体分类性能的提高。两组高光谱数据的实验结果表明,与原始的Adaboost和单分类器相比较,该方法在整体精度方面有更好的性能。     

基于云-自组织神经网络的交通流预测模型

现代交通系统结构复杂,涉及的数据类型和数量众多,模糊性、随机性和不确 定性等因素的存在增加了数据分析过程中定性与定量综合集成的难度.本文对城市交通 流预测进行了研究,根据云模型和自组织神经网络的特点,构建了云-自组织神经网络 交通流预测模型.该预测模型运用云模型处理数据的模糊性和随机性问题的优势,提高了 自组织神经网络预测中学习样本数据的可靠性.通过对某城区的实际数据进行对比测算, 改进的预测模型比单纯使用自组织神经网络预测模型决定系数更高.结果表明,本文提出 的模型在交通流预测中提高了准确率,降低了预测泛化误差.     

基于DenseNet结构的轨道暗光环境实时增强算法

车载视觉系统是未来城市轨道交通安全运行的重要保障，列车在封闭环境或夜间运行时所处的弱光照环境会严重影响车载视觉系统的检测效果. 为此，提出了一种针对铁路封闭环境或夜间行车环境下低照度图像的实时视觉增强算法. 该算法以密集连接网络（densely connected network，DenseNet）结构为骨干网建立特征尺寸不变网络，提取图像光照、颜色等信息输出光照增强率图，并基于非线性映射函数调整每个像素的光照强度，通过分级结构将低照度输入图像的曝光率由低层到高层不断增强. 建立的深度学习网络模型采用自监督的方式训练网络参数，利用低照度图像自身特征和先验知识构建损失函数，其由曝光损失、色彩恒定损失及光照平滑度损失3个分量组成. 多种场景下的低照度增强实验结果显示:本文算法能够对输入图像曝光值进行自适应，对低曝光以及高曝光区域动态调整曝光率从而改善低照度图像的可视化效果，处理速度能够达到160帧/s，满足实时性处理的要求；通过在低照度增强前后的轨道分割及行人检测算法性能对比实验证明:所提出的算法能够大大提高暗光环境下的视觉检测效果，在RSDS （railroad segmentation dataset）数据集中轨道分割F值提高5%以上，在轨道场景下行人检测误检率及漏检率均有效降低.      

汉语负迁移对英语学习的影响及对策

母语对第二语言的学习和第二语言习得产生着重要的影响。汉语同样使得在学习英语的过程中发生正迁移和负迁移。本文主要从语音、词汇、句法、语用和两种语言根本差异几个层面，论述了汉语对英语学习的负迁移，并提出了克服英语学习中负迁移的途径和方法。     

基于票务数据的团体旅客出行目的推断

为推进城际交通大数据的应用，需要补全出行目的信息，将团体旅客出行目的决策与文本主题生成类比，开发基于无监督学习框架的出行目的推断方法.提出嵌入出发时间生成模块的主题模型，以及团体旅客重建和语义化特征设计方法，并通过吉布斯采样估计参数. 基于调查数据的模型对比研究发现，模型对一般私务辨识性能提升7.7%；基于票务数据的案例研究发现，模型对出发时间预测精度达到90.9%，间接验证了模型的可靠性.主题标注表明，模型不仅推断出4种与典型模式相符的出行目的，还辨识出既有认识外的非常规模式.对道路客运分析表明，出行目的构成呈现地区差异，高铁开通对不同出行目的出行量的负向影响程度不一.     

基于票务数据的团体旅客出行目的推断

为推进城际交通大数据的应用，需要补全出行目的信息，将团体旅客出行目的决策与文本主题生成类比，开发基于无监督学习框架的出行目的推断方法.提出嵌入出发时间生成模块的主题模型，以及团体旅客重建和语义化特征设计方法，并通过吉布斯采样估计参数. 基于调查数据的模型对比研究发现，模型对一般私务辨识性能提升7.7%；基于票务数据的案例研究发现，模型对出发时间预测精度达到90.9%，间接验证了模型的可靠性.主题标注表明，模型不仅推断出4种与典型模式相符的出行目的，还辨识出既有认识外的非常规模式.对道路客运分析表明，出行目的构成呈现地区差异，高铁开通对不同出行目的出行量的负向影响程度不一.     

基于对称残差U型网络的路网交通流量数据修复

针对路网交通数据采集过程中，采集设备稀缺或故障等原因造成路网交通流量数据缺失问题，提出基于对称残差U型网络(Residual U-Net，RU-Net)模型的大规模路网交通流量数据修复方法.通过将路网交通流量数据网格化和时序通道化操作，构成可供卷积操作的张量数据格式；利用RU-Net编码解码能力，对交通流量数据进行编码；在解码过程中保持失真度较小，使模型学习到交通流量数据内部多因素耦合特性.通过残差学习使交通流量数据编码后的信噪比提升，压缩率降低，提升模型修复精度.实验结果表明，RU-Net模型能够利用交通流量特性学习历史和非故障采集点数据与待修复数据的映射关系，在不同数据缺失率，不同缺失模式下，高效地完成对大规模路网交通流量数据的修复.     

公交车中途停靠站长度预测方法研究

根据车辆泊松到达分布,运用概率分布与数理统计方法,分析公交线路条数、发车频率以及到达公交车中途停靠站时间分布之间的关系,建立同时到达车辆数概率模型,据此确定某一概率水平下公交车中途停靠站设计停车位数量及车站长度。以北京菜市口公交车中途停靠站为例,运用模型进行演算,并与实际观测值进行对比验证,提出将公交车中途停靠站向交叉口靠近从而方便换乘的改善方案。     

加兰他敏对痴呆大鼠治疗机制的探讨

目的　观察加兰他敏对痴呆模型大鼠学习记忆功能及皮层、海马胆碱能神经元的影响 ,进而探讨胆碱酯酶抑制剂改善阿尔茨海默病 (AD)患者认知功能的作用机制。方法　将 β 淀粉样蛋白 (Aβ)注入Meynert核制作大鼠痴呆模型 ,并用加兰他敏进行干预。行为学方法测定各组大鼠学习记忆功能 ,免疫组织化学方法测定各组大鼠脑组织胆碱乙酰转移酶 (ChAT)的变化。结果　加兰他敏可明显提高痴呆模型大鼠在行为学测试中的成绩 ,使皮层、海马ChAT免疫阳性神经元数目增多。结论　加兰他敏可明显改善痴呆大鼠学习记忆能力 ,提高大鼠脑内胆碱能神经元存活能力可能是其重要的作用机制之一     

基于对称残差U型网络的路网交通流量数据修复

针对路网交通数据采集过程中，采集设备稀缺或故障等原因造成路网交通流量数据缺失问题，提出基于对称残差U型网络(Residual U-Net，RU-Net)模型的大规模路网交通流量数据修复方法.通过将路网交通流量数据网格化和时序通道化操作，构成可供卷积操作的张量数据格式；利用RU-Net编码解码能力，对交通流量数据进行编码；在解码过程中保持失真度较小，使模型学习到交通流量数据内部多因素耦合特性.通过残差学习使交通流量数据编码后的信噪比提升，压缩率降低，提升模型修复精度.实验结果表明，RU-Net模型能够利用交通流量特性学习历史和非故障采集点数据与待修复数据的映射关系，在不同数据缺失率，不同缺失模式下，高效地完成对大规模路网交通流量数据的修复.     

基于公交数据挖掘的时刻表排班协同换乘优化

为实现公交换乘协同排班,减少乘客出行换乘时间,本文对公交信息系统的IC卡数据及车辆GPS数据进行数据挖掘,提取换乘信息并对现有的发车排班进行优化.首先,构建了公交运行状态信息提取模型,提取现有的公交运行状态信息.在此基础上,设计了邻域搜索的公交时刻排班优化算法,得到最佳发车排班时刻表.为验证所提出方法的有效性,选取了成都市的56路和3路公交线路的实际数据进行案例验证.结果表明:通过优化排班的方法,在不改变现有的公交供需条件的前提下,可以有效实现协同换乘;与原有的公交服务相比,优化之后的公交服务能够更加贴近出行需求,提升线路之间的换乘衔接效率,从而提高公交服务质量.     

基于强化学习的智能车人机共融转向驾驶决策方法

针对智能车人机共融驾驶系统中人和自主驾驶系统的驾驶权连续动态分配问题,尤其是因建模误差导致的权重分配方法适应性低的难题,提出了基于强化学习的人机共融转向驾驶决策方法;考虑驾驶人的转向特性,搭建了基于双点预瞄的驾驶人模型,并采用预测控制理论建立了智能车自主转向控制模型,构建了智能车人机同时在环的转向控制框架;基于Actor-Critic强化学习架构,设计了用于人机驾驶权分配的深度确定性策略梯度(DDPG)智能体,以曲率契合度、跟踪精确性和乘坐舒适性为目标,提出了基于模型的收益函数;构建了人机共融驾驶权分配强化学习框架,包含驾驶人模型、自主转向模型、驾驶权分配智能体以及收益函数;为了验证方法的有效性,招募了8位驾驶人开展共计48人次的模拟驾驶试验。研究结果表明:在曲率适应性验证中,人机共融-DDPG方法优于人工驾驶和人机共融-Fuzzy方法,跟踪性平均提升70.69%、39.67%,舒适性平均提升18.34%、7.55%;在速度适应性验证中,车速为40、60和80 km·h-1条件下,驾驶人权重大于0.5的时间占比分别为90.00%、85.76%、60.74%,且跟踪性相轨迹和舒适性相轨迹都能有效收敛。可见,提出的方法能够适应曲率和车速变化,在保证安全性的前提下提升了跟踪性和舒适性。