数字孪生演进模型及其在智能制造中的应用

数字孪生作为实现智能制造信息物理融合的关键使能技术受到广泛关注,而如何构建数字孪生模型成为当前研究的热点. 目前,数字孪生模型多聚焦于概念抽象或具体工程应用,而较少从构建方法和过程的角度考虑如何分阶段、有步骤地构建和应用数字孪生模型. 因此,本文提出数字孪生演进模型的概念,将数字孪生构建与应用过程分为数字模型、数字投影以及数字孪生3个演进阶段,给出各演进阶段的应用方法、关键技术与工具平台,并探讨数字孪生演进模型在智能装备、智能生产、智能运维方面的典型应用. 研究结果表明:所提模型为数字孪生在智能制造中的分步实施提供了可行的技术路线与有益的应用参考.      

面向高速公路流量预测的自适应图注意力网络

为克服循环神经网络和基于预定义图的图卷积神经网络的局限性,捕获交通数据中复杂的时空相关性,实现准确的高速公路流量预测,提出一种自适应图注意力网络模型。该模型整合节点自适应参数学习模块、自适应邻接矩阵生成模块和门控循环单元,以捕获路网交通数据中复杂的时空相关性。同时,为解决循环神经网络难以捕获长期的时间相关性和产生信息损失的问题,设计了一个转换注意力层以建模未来时间步信息与历史多个时间步信息的相关性。最后,基于桂林市高速公路网的真实交通数据试验,验证了所提出方法的有效性。     

基于文本向量表示的居民活动模式识别方法

城市精细化管理对交通需求预测模型提出了更高要求,如何利用海量的出行活动信息提取反应个体活动特征和规律的活动模式成为研究难点.基于城市居民出行调查数据,运用词嵌入和句嵌入方法,构建活动序列向量,对活动模式进行聚类.结果表明,城市居民活动模式可划分为13类代表性活动模式,包括3类工作模式,4类社交娱乐主导的模式,2类复杂活...     

基于轻量化网络和注意力机制的智能车快速目标识别方法

为提高智能车在真实环境中的实时检测能力,改善复杂环境下检测效果不佳的问题,本文提出一种基于轻量化网络和注意力机制的智能车快速目标识别方法。首先,为了减少网络计算参数和提升目标识别算法的推理速度,提出利用GhostNet加速YOLOv4的特征提取;其次,为了提高复杂场景下对道路目标的识别精度,在GhostNet和特征金字塔部分添加结合软阈值化改进的注意力模块;最后,为了验证本文提出方法的有效性,选取Pascal VOC、KITTI公开数据集和自制城市道路数据集进行实验对比。与其他目标检测算法在精度和速度上进行比较,结果证明,本文方法在平均检测精度提升1.7%的情况下,模型参数量降低到原来的18.7%,检测速度提升了66%,检测速度和精度均优于其他算法,可满足智能车的实时感知需求。     

多分支残差注意力机制融合的图像超分辨率重建

针对图像超分辨率重建时存在特征映射不完全,以及映射特征易丢失而导致的重建效果不佳的问题,提出了一种多分支残差注意力机制融合的图像超分辨率重建算法。该算法在深层特征映射部分引入多分支架构,增加了网络宽度;并在每个分支中引入包括融合注意力机制的残差结构,对不同的特征信息进行侧重学习,提高了模型提取特征的能力;然后在非线性映射输出层对多个分支映射的信息进行叠加,进一步使特征信息融合,促进参数传递。试验结果表明,该算法在客观评价指标上和主观图像效果上均优于其他算法,有效提高了重建图像的细节清晰度。     

数字孪生在高速列车生命周期中的应用与挑战

数字孪生（DT）是推动轨道交通装备领域数字化、智能化的关键技术之一,但其相关研究仍处于起步阶段.围绕高速列车生命周期研发现状,系统剖析传统高速列车研发数字化转型过程中的设计闭环难、高保真度、高精度模型缺乏、信息物理数据交互融合难等问题,结合产业发展趋势归纳提出高速列车生命周期发展新需求;在此基础上提出数字孪生高速列车技术框架,并对高速列车生命周期数字孪生模型构建和功能服务两个方面进行深入探讨,指出数字孪生高速列车所面临的关键技术问题与挑战.通过展示前期在轨道车辆关键部件服役能力劣化方面的探索应用,以期为未来高速列车全生命周期数字化的深入研究和实践提供参考.     

基于时空注意力卷积神经网络的交通流量预测

为充分挖掘交通流量的复杂时空动态相关性以提高交通流量预测精度,引入空间注意力机制与膨胀因果卷积神经网络,提出一种基于时空注意力卷积神经网络的交通流量预测模型（spatio-temporal attention convolutional neural network,STACNN）.首先,由膨胀因果卷积与门控单元构建的门控时间卷积网络模块用于获取交通流量的非线性时间动态相关性,避免在训练长时间序列时发生梯度消失或梯度爆炸;其次,采用空间注意力机制为路网中的交通传感器节点自动分配注意力权重,动态关注不相邻节点之间的空间关系,并结合图卷积神经网络提取路网的局部空间动态相关性特征;然后,通过全连接层获取最终的交通流量预测结果;最后,利用高速公路交通数据集PEMSD4、PEMSD8进行了60 min的交通流量预测实验.实验结果表明：与基线模型中具有良好性能的时空图卷积网络（spatio-temporal graph convolutional network,STGCN）模型相比,提出的STACNN模型预测结果的平均绝对误差（mean absolute error,MAE）在两个数据集上分别提...     

数字孪生研究进展及在铁路智能运维中的应用

我国铁路基础设施建设正在从"建设为主"向"建管并用"发展,传统运维技术存在诸多弊端,亟需建立新的智能运维技术体系.数字孪生是实现虚实空间交互的先进技术,该技术突破了传统仿真及试验条件限制,实现以最快速度、最优成本掌握结构的实际运行状态.数字孪生能够将物联网、建筑信息模型、结构健康监测、数值仿真与人工智能等先进技术通过虚...     

改进残差网络和迁移学习的齿轮箱故障诊断

针对齿轮箱故障诊断问题,提出一种基于多尺度特征提取与融合混合注意力机制的残差网络模型。该模型直接对原始振动信号进行特征提取,通过增加混合注意力机制来增加网络深度,提取关键信息,提高网络稳定性与故障识别准确率;串联首层多尺度特征提取模块,增加网络宽度,提取不同频率特征值的同时避免了梯度爆炸问题,最终故障诊断精度达到99.9%;通过噪声实验,验证网络具有较强鲁棒性。网络使用迁移学习的方式,解决了实际工业中数据量不足的问题,并验证了网络的泛化能力。所提网络具有公开性与实用性。     

Wavelet Neural Network Based Traffic Prediction for Next Generation Network

By using netflow traffic collecting technology, some traffic data for analysis are collected from a next generation network （NGN） operator. To build a wavelet basis neural network （NN）, the Sigmoid function is replaced with the wavelet in NN. Then the wavelet multiresolution analysis method is used to decompose the traffic signal, and the decomposed component sequences are employed to train the NN. By using the methods, an NGN traffic prediction model is built to predict one day＇s traffic. The experimental results show that the traffic prediction method of wavelet NN is more accurate than that without using wavelet in the NGN traffic forecasting.     

Markowitz模型的一种神经网络解法

对不允许卖空情况下的Markowitz模型的求解，在金融学里面，一直是个很棘手的问题，提出了一种反馈神经网络算法，该算法计算步骤简单，收敛速度快，特别针对大规模问题非常有效，首先提出了这种算法的神经网络模型，给出了它的能量函数，接着证明了它在Lyapunov意义下的稳定性，最后证明了一定存在一个收敛序列{Xk}包含于R^n,使得{Xk}的每一个极限点都是Markowitz模型的解。     

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.     

Branch-Activated Multi-Domain Convolutional Neural Network for Visual Tracking

Convolutional neural networks (CNNs) have been applied in state-of-the-art visual tracking tasks to represent the target. However, most existing algorithms treat visual tracking as an object-specific task. Therefore, the model needs to be retrained for different test video sequences. We propose a branch-activated multi-domain convolutional neural network (BAMDCNN). In contrast to most existing trackers based on CNNs which require frequent online training, BAMDCNN only needs offline training and online fine-tuning. Specifically, BAMDCNN exploits category-specific features that are more robust against variations. To allow for learning category-specific information, we introduce a group algorithm and a branch activation method. Experimental results on challenging benchmark show that the proposed algorithm outperforms other state-of-the-art methods. What’s more, compared with CNN based trackers, BAMDCNN increases tracking speed.     

������������Ԥ���������ģ��

公交客流预测是城市公共交通规划的重要内容，是确定城市公共交通发展规模、布置场站及布设线路的根本依据，也是制定城市公共交通发展政策的重要依据.本文通过分析神经网络的作用机理和公交客流生成量的影响因素，建立了公交客流生成量预测的三层BP神经网络模型，以土地利用(8个神经元)、人口数以及区位系数作为输入神经元，输出神经元为公交客流的产生量和吸引量，隐层神经元数根据最大相对误差最小为目标试算求得.以哈尔滨市一日的调查数据对模型进行了标定与检验，结果证明，模型具有较高的预测精度.     

基于边权重图神经网络的一阶逻辑前提选择

为提高自动定理证明器在大规模问题中证明问题的能力,前提选择任务应运而生.由于公式图的有向性,主流的图神经网络框架只能单向地对节点进行更新,且无法编码公式图中子节点间的顺序.针对以上问题,提出了带有边类型的双向公式图表示方法,并提出了一种基于边权重的图神经网络（edge-weight-based graph neural network,EW-GNN）模型用于编码一阶逻辑公式.该模型首先利用相连节点的信息来更新对应边类型的特征表示,随后利用更新后的边类型特征计算邻接节点对中心节点的权重,最后利用邻接节点的信息双向地对中心节点进行更新.实验比较分析表明：基于边权重的图神经网络模型在前提选择任务中表现得更加优越,其在相同的测试集上比当前最优模型的分类准确率高了约1%.     

交通出行预测的神经网络模型

针对交通出行集计预测模型的缺陷,结合神经网络在非线性关系映射方面的优势,本文提出了交通出行预测的BP神经网络模型。作者在对BP神经网络的结构和算法进行分析的基础上,研究了交通出行预测BP神经网络模型的影响因素、模型结构和模型数据,并采用实际调查数据对模型进行了检验和应用。研究结果表明模型预测精度较高,既有很强的理论优势和解释性,又有良好的操作性．最后,文章讨论了下一步的研究方向．     

基于EKF的神经网络在网络流量预测中的应用

在网络资源有限的情况下,建立合理的网络流量预测模型,并根据其预测结果及时做出控制决策或调整措施,对网络性能和服务质量的提高均有重要意义.根据网络流量的时变、非线性特点建立一个时间相关的流量预测模型,预测和分析网络流量状况,并利用人工神经网络在非线性建模方面的优势,给出了基于EKF算法的前馈神经网络的结构设计及学习算法.最后在Matlab环境下使用该预测模型对网络流量进行了仿真,结果表明该模型具有较好的自适应性和较高的预测精度.     

基于双路神经网络融合模型的高速公路雾天检测

高速公路天气状况实时监察对于高速行车安全具备重要意义,然而气象检测只能对大范围区域的气象情况进行预报,不能满足高速行车各个路段气象情况实时检测的需求. 为此,提出一种基于双路神经网络融合模型的高速公路雾天检测算法. 该算法基于双路深度神经网络融合模型,提取雾天图像的可视深度图以及暗通道图像两种视觉特征,并利用深度神经网络进行建模,获得初步分类结果;然后,再利用均值融合层进行分数融合. 为了全面评测该算法的性能,构建了一个覆盖多个省份高速公路的视频监控雾天数据集（express way fog detection dataset,EWFD）,该数据集能够全面涵盖国内高速公路的天气情况,并在该数据集上做了全面的分析对比实验. 实验结果显示,本文所提出的双路神经网络融合模型的雾天监测算法取得了93.7%的准确率,与国际前沿的检测分类算法101层残差网络（ResNet-101）相比,本文提出的算法准确率提高了10%以上.      

Relations Between Wavelet Network and Feedforward Neural Network

A comparison of construction forms and base functions is made between feedforward neural network and wavelet network. The relations between them are studied from the constructions of wavelet functions or dilation functions in wavelet network by different activation functions in feedforward neural network. It is concluded that some wavelet function is equal to the linear combination of several neurons in feedforward neural network.