考虑拥堵空间排队与溢出的道路网静态交通流分配

为刻画拥堵空间排队与溢出现象对交通流分配的影响，提出考虑拥堵空间排队与溢出的道路网静态交通流分配问题，并构建相关的求解算法，用于描述交通需求在起讫点移动过程中路网整体的宏观运行状态。首先，丰富和完善考虑拥堵空间排队与溢出的静态交通流分配的相关假设，提出次生瓶颈、拥堵干扰与渗透和分段化路段阻抗等基本概念和理论，来刻画拥堵交通瓶颈、拥堵空间排队等交通现象；其次，建立网络瓶颈识别算法和空间排队回溯算法，基于此构建考虑拥堵空间排队和溢出的增量分配算法，用于求解交通流分配的结果；最后，通过使用一个具有说明型的算例进行对比分析。研究结果表明：建立的瓶颈识别、排队回溯和增量分配算法可以识别路网中的瓶颈位置及其拥堵排队区域，并可计算得到各路段上的分段分配流量；与点排队只影响瓶颈路段的运行状况和均一的路段分配结果相比，可有效描述路网整体的宏观运行状态以及由于拥堵空间排队所导致的拥堵干扰与渗透现象；不同于“时间片”的伪动态交通流分配模型，新建算法的分配结果是“全时段”与“整体性”的路网宏观运行状态，包含了拥堵瓶颈的具体位置和空间排队的干扰与渗透情况；一般拥堵点排队模型和基于“时间片”的拥堵空间排队模型难以刻画拥堵干扰与渗透现象以及路网整体的宏观运行状态，故所建立的分配方法是对传统拥堵交通流分配的丰富和发展。     

利用残余力概念进行结构损伤识别

提出一种利用残余力进行结构损伤识别方法。用刚度损伤系数将有限元模型参数化来描述结构的损伤。用特征值和特征向量预测算法构造目标函数,利用两点交叉算子的二进制代码的遗传算法反复迭代优化刚度损伤系数,获得待测结构的损伤系数、损伤位置与损伤程度的信息。通过一个平面桁架对该方法进行验证,结果表明:利用残余力概念进行损伤识别所得结构的损伤系数与理论值很接近。该方法能够较准确地判断结构的损伤位置和损伤程度。     

转K2型转向架弹簧载荷识别及其对弹簧寿命影响的研究

用试验的方法得到在垂直载荷作用下弹簧45°方向应力和最大主应力之间的差异,用有限元法计算了弹簧在横向、垂向加载时的载荷识别系数。根据线路实测动应力识别出转K2型转向架弹簧在运用工况下的2种载荷。最后根据载荷计算出弹簧的应力,利用疲劳损伤模型计算出损伤,得出了2种载荷对疲劳寿命的影响。     

基于神经网络的感应电动机特性辨识新方法

提出并论证了一种基于神经网络的感应电动机特性辨识新方法,只需测得电机两相电流数值便可以辨识出电动机转矩和转速,用改进的Levenberg-Marquardt算法对神经网络进行学习和训练,构建了适合电动机转矩转速观测的BP神经网络。由于RBF神经网络无论是在逼近能力、函数拟合和学习速度方面都优于BP网络,也利用RBF网络进行了辨识。该方法较已经提出的方法相比,需要的检测量少,辨识方法简单。仿真研究表明,RBF神经网络辨识效果优于BP神经网络。     

基于ANN星识别算法的仿真平台

星敏感器是一种高精确度的姿态测量仪器，它通过对观测到的星点进行识别来计算姿态。为了能够较好地测试和验证星识别系统的性能，设计了一个基于ANN算法的星识别仿真平台。通过对该星识别仿真平台性能的测试，表明该仿真平台能够方便，实时地测试星识别算法的性能与正确性，因此说它是一种具有较好实用价值的星识别仿真平台。     

同步发电机参数辨识的相关方法探讨

随着电网安全及稳定运行问题的重要性日益突出,基于获得准确的系统模型和参数辨识方法,优化同步发电机相关参数将是十分有意义的。本文针对当今几种比较典型的参数辨识方法做了系统的介绍,通过比较得出何种方法对于同步电机的参数辨识是最适合的。     

杭州城市交通拥挤现状及对策

在分析杭州市交通供需现状的基础上,提出了规划多中心结构和混合功能区,以减少不必要的出行以及合理配置交通源,并对改善中心区交通提出切实可行的对策。     

太白蓼的生药学研究

作者对陕西特有民间药太白蓼(Polygonum taipaishanense Kung.)从来源、药材性状、显微组织结构、粉末特征和理化鉴定等方面进行了系统的生药学研究,同时进行了鞣质定性及含量测定,为太白蓼的鉴别、品质评价、质量标准的制定及进一步的开发利用提供了科学依据。     

铁道信号系统安全保障研究

在信号系统的设计、制造、施工、调试等阶段进行安全保障很重要。重点介绍按照欧洲铁路安全标准对铁道信号系统进行交叉接收以及安全管理。     

基于有向图卷积神经网络的交通预测与拥堵管控

为解决城市快速路正面临的日益严重的交通拥堵问题,提出了一种针对城市快速路的基于有向图卷积神经网络的交通预测与拥堵管控方法,该方法能够有效利用海量交通数据进行交通预测,实现拥堵的主动管控。首先,基于交通路网的空间有向性和交通流的时空特性,定义了有向的距离影响矩阵、修正欧式距离矩阵和自由流可达矩阵,构建出有向的图卷积算子,并将其应用于长短时记忆神经网络模型中,提出了能学习交通路网时空双重特性的有向图卷积-长短时记忆神经网络（Directed Graph Convolution-LSTM,DGC-LSTM）模型;其次,基于DGC-LSTM的交通预测结果识别出拥堵产生点并将其作为拥堵管控的对象;再次,采用控制进口匝道车辆输入快速路主线的手段,针对管控对象的时空特征,设计了全圈层分时段阶梯式拥堵管控策略;最后,基于上海市快速路网上布设的2 712个检测器在122个工作日每间隔5 min记录的速度、流量和占有率信息,开展实例分析,测试了DGC-LSTM模型的预测精度以及全圈层分时段阶梯式拥堵管控策略的有效性。结果表明：与传统的循环神经网络、长短时记忆神经网络相比,DGC-LSTM模型具有更高的预测精度,能将速度预测的平均绝对误差和误差标准差分别降低38%和20%以上;基于预测结果采用的全圈层分时段阶梯式拥堵管控策略能令拥堵产生点的速度提升14 km·h^-1以上,并能使拥堵的持续时长缩短40%,可阻止拥堵从产生点开始发生大范围的蔓延,降低整个路网的拥塞程度。