路面缺陷智能检测系统与方法综述

从路面缺陷检测系统组成和特点出发，首先简要回顾了路面缺陷检测系统与传统路面图像处理方法的发展过程。在此基础上，探讨了国内外典型路面缺陷检测系统的现状，包含重型道路状况智能检测系统、轻量化路面质量检测系统，并对检测系统的性能及部分参数进行了描述。然后，详细介绍了基于机器学习、深度学习理论的路面缺陷智能化检测方法的演变历程，重点分析了基于深度学习技术的路面缺陷智能化检测方法国内外的研究进展，主要包含基于区域卷积神经网络、单次多框检测器、YOLO目标检测、Transformer检测模型等路面缺陷智能检测方法。最后，从多模信息融合、双轻量化设备、稳健智能化算法等方面对路面缺陷智能化检测系统的发展趋势和应用前景进行了展望。     

让学生学会“思考学习”:有效的课堂提问——基于基础会计课程的教学实践

课堂提问是课堂教学的重要环节。不同类型的课堂提问会产生不同的学习效果。有效的课堂提问能激发学生学习积极性,促进学生深度思考,提升学习认知,让学生学会“思考学习”。设计具有开放性、高阶思维性、可迁移性特征的“好”问题,能够促进深度学习的发生。教师可以通过设定课堂公约、学习目标、学习角色和课堂环境等多维因素创设课堂探究文化,激发学生学习兴趣,培养探究精神,提升学习的理解力和可迁移能力。     

一种基于深度学习的离散化交通状态判别方法

在智能交通信号控制和交通流诱导系统中,交通环境状态的有效判别是影响交通控制决策的先决条件,本文针对交通流产生的大数据信息,结合深度学习算法提出一种离散化交通状态的判别方法.给出了包括交通状态数据采集、状态数据描述、状态深度学习和判别等功能模块的系统架构,构建了一种离散交通状态编码方法,为深度学习交通状态特征提供了数据基础.模型训练阶段,对采集到的二值和连续值交通状态数据,分别构建了两种不同的深度置信网络实现交通状态特征的无监督学习;模型微调阶段,在整合形成的高层抽象特征向量顶端增加softmax分类器,采用反向传播算法实现参数微调.最后,该方法基于VISSIM微观交通软件进行仿真,实验结果表明,离散交通状态编码方法可有效表达交通状态,基于深度学习的交通状态判别方法相对传统方法具有较高的准确度.     

双环相位结构约束下的强化学习交通信号控制方法

随着信息技术的快速发展,近年来深度强化学习方法在交通运输领域得到广泛应用,特别是在交通信号控制领域,已成为当前交通信号控制发展的重要方向。本文针对强化学习在交通信号控制领域应用中存在的随机相位选择导致无法实际应用的问题,提出了一种考虑NEMA双环相位结构的单点交通信号控制强化学习方法。以典型十字交叉口的NEMA双环相位结构为约束,设计优化了在相位切换决策过程中智能体的控制结构,通过增加1个智能体决定前置和后置相位顺序以提升相位切换的灵活性、部署2个智能体决定前置相位是否切换、设置1个智能体同时切断后置相位绿灯,通过经验共享机制,有效降低了状态-动作空间维度,提高了智能体训练效率。在此基础上,采用定制化PPO算法,基于SUMO仿真平台分析了不同交通需求、不同信号参数等场景下的单点深度强化学习信号控制方法的效果。结果表明,在高中低不同交通需求下,本文的方法都优于传统的固定相位相序方法。     

基于CNN与LSTM混合算法下的学生学习表情识别研究

智慧课堂中学生学习表情的精准识别对于提升课堂效率,掌握学生实时学习状态具有重要的作用。传统单一性的卷积神经网络(CNN)算法对学生学习表情的特征抓取精度不够,尤其是学生微表情状态下的抓取效果更不理想。基于此,本文创新性地提出基于CNN与长短期记忆网络(LSTM)的混合表情特征提取识别算法,充分利用CNN提取学生学习表情中的空域特征并存储,对应的时域特征提取层面充分利用LSTM对学生学习表情视频序列特征进行挖掘抓取,将学生学习表情的时域特征与空域特征进行平均化处理,从而构建一套完整的学生学习表情识别算法,最后基于该算法网络进行深度学习训练。基于本文的实验结果,对应的愉悦、困惑、惊讶、中性和疲倦这五种学习情感状态识别率得到了大幅提升,对应的识别准确率最高可达71.9%,识别性能大幅提升。     

基于深度学习的园林智能浇灌系统

园林浇灌有自动浇灌和人工浇灌2种模式,但都存在水资源浪费、人力资源浪费和不合理浇灌等问题。针对这些问题,文中将深度学习和机器视觉技术应用于土壤湿度分类,以土壤图像与对应的湿度为样本,建立了卷积神经网络框架,并基于大量实验对卷积神经网络进行了训练和验证,实现了基于土壤图像信息的浇灌需求智能决策,决策正确率达到85%以上,并与控制系统相结合,实现了园林智能浇灌系统,从而达到合理浇灌、节约水资源与人力资源的目标。     

基于柔性演员-评论家算法的决策规划协同研究

为了解决基于常规深度强化学习(Deep Reinforcement Learning, DRL)的自动驾驶决策存在学习速度慢、安全性及合理性较差的问题,本文提出一种基于柔性演员-评论家(Soft Actor-Critic,SAC)算法的自动驾驶决策规划协同方法,并将SAC算法与基于规则的决策规划方法相结合设计自动驾驶决策规划协同智能体。结合自注意力机制(Self Attention Mechanism, SAM)和门控循环单元(Gate Recurrent Unit, GRU)构建预处理网络;根据规划模块的具体实现方式设计动作空间;运用信息反馈思想设计奖励函数,给智能体添加车辆行驶条件约束,并将轨迹信息传递给决策模块,实现决策规划的信息协同。在CARLA自动驾驶仿真平台中搭建交通场景对智能体进行训练,并在不同场景中将所提出的决策规划协同方法与常规的基于SAC算法的决策规划方法进行比较,结果表明,本文所设计的自动驾驶决策规划协同智能体学习速度提高了25.10%,由其决策结果生成的平均车速更高,车速变化率更小,更接近道路期望车速,路径长度与曲率变化率更小。     

核心素养视角下对分课堂教学模式的前景展望

"教育要培养什么样的人?"是教育的根本问题,而人才培养的基本途径在于教学。传统课堂教育仍有许多不足之处,如所培养的学生社会适应力不强,创新能力弱等,有着低效教学之称的尬境。"对分课堂"是基于我国教学环境的现实诉求而产生的,是一种创新的且简明易用的教学模式。该教学模式的优势在于有利于转变学生从被动学习向主动学习,提升学生的自主学习力、合作交流能力以及应用实践能力。基于我国培养21世纪学生核心素养的视角,放眼未来人才的需求导向,审视传统教学模式的不足之处,解析对分课堂教学模式在自主学习、深度思考、高效课堂和人才培养等方面的突破与创新,并指导未来教学变革。     

改进支持向量回归机的短时交通流预测

短时交通流预测是实施智能交通控制的基础和保障.针对目前短时交通流预测方法拟合交通数据的能力偏弱,以及过分依赖历史数据的不足,提出一种基于深度学习回归机的短时交通流预测方法.首先构建深度学习回归机算法模型,包括受限玻尔兹曼机的显层节点输入端,受限玻尔兹曼机的若干中间层,以及径向基支持向量回归机输出端.通过实验将深度学习回归机预测方法与其他典型的短时交通流预测算法进行比较,结果表明,在相同的数据和计算平台下,本文提出的深度学习回归机预测方法精度更高,且预测实时性也能满足实际的需求.     

改进支持向量回归机的短时交通流预测

短时交通流预测是实施智能交通控制的基础和保障.针对目前短时交通流预测方法拟合交通数据的能力偏弱，以及过分依赖历史数据的不足，提出一种基于深度学习回归机的短时交通流预测方法.首先构建深度学习回归机算法模型，包括受限玻尔兹曼机的显层节点输入端，受限玻尔兹曼机的若干中间层，以及径向基支持向量回归机输出端.通过实验将深度学习回归机预测方法与其他典型的短时交通流预测算法进行比较，结果表明，在相同的数据和计算平台下，本文提出的深度学习回归机预测方法精度更高，且预测实时性也能满足实际的需求.     

基于深度学习的短期交通流预测方法综述

针对基于深度学习的短期交通流预测问题,揭示了时空相关性建模本质,分析了建模过程中涉及的多尺度时空特性、异质性、动态性、非线性等特点,明确了基于深度学习进行短期交通流预测的核心挑战,阐述了短期交通流预测涉及的外部信息整合、多步预测与单步预测以及单体预测与集成预测等相关问题;按照网格化和拓扑化2种交通流数据组织方式,分别综述了当前最新的基于深度学习的短期交通流预测研究方向。研究结果表明：针对网格化交通流数据,当前研究主要包含了基于2D图像卷积神经网络、基于2D图像卷积神经网络与循环神经网络相结合、基于3D图像卷积神经网络3种预测建模方法;针对拓扑化交通流数据,当前研究主要包含了基于1D因果图像卷积与卷积图神经网络相结合、基于循环神经网络与卷积图神经网络相结合、基于自注意力与卷积图神经网络相结合、基于卷积图神经网络的时空同步学习4种预测建模方法;总体上,基于深度学习方法进行短期交通流预测相较于采用时间序列和经典机器学习方法获得了预测准确性上的极大提升;未来,针对物理理论、知识图谱与深度学习相结合,构建多时空数据挖掘大模型以及轻量化、可解释性、模型结构自动化搜索等维度的相关探索将成为重要研究方...     

智能网联环境下基于混合深度学习的交通流预测模型

为适应未来智能网联环境下精细化交通流预测需求，提出一种基于混合深度学习 (Hybrid Deep Learning, HDL)的车道级交通流速度预测模型. 模型以智能网联系统强大的数据采集和计算能力为基础，采用集成经验模态分解算法将原始速度序列分解为多个固有模态函数分量和残差分量，并将所得分量重构为模型输入；利用双向长短期记忆神经网络和注意力机制，构建深度学习模型框架；为检验模型预测精度和可靠性，选择北京市二环路多个连续车道断面速度数据进行算法验证. 结果表明，HDL模型在不同车道均有理想的预测结果，单步和多步预测精度均显著优于对比模型.     

一种基于智能体学习技术的自适应系统构建

Agent是在一定环境包装下具有智能、自治能力的软件系统,Agent技术为解决分布式应用问题提供了有效途径。文章分析了强化学习技术,并将Agent技术与强化学习技术相结合,提出了一种基于智能体强化学习的自适应系统,以支持Agent与环境的不断交互,提高系统自适应能力。     

基于组合深度学习的快速路车道级 速度预测研究

随着物联网、云计算和大数据在智能交通领域的普及应用,传统的以道路断面为研究对象的预测方法已经无法满足智能网联技术发展的需求.本文以车道断面为研究对象,提出一种基于组合深度学习(Combined Deep Learning,CDL)的城市快速路车道级速度预测模型.该模型利用基于信息熵的灰色关联分析提取空间特征变量,采用长短期记忆神经网络提取空间特征变量的时间特征,并利用门限递归单元神经网络得到预测结果.通过北京市东二环路车道断面实测微波数据验证发现,提取车道交通流的时空特征,CDL模型能够很好地拟合不同车道不同时段的速度变化趋势,可有效地实现车道速度的单步及多步预测,且该模型的预测精度和稳定性均优于传统预测模型.     

基于组合深度学习的快速路车道级速度预测研究

随着物联网、云计算和大数据在智能交通领域的普及应用,传统的以道路断面为研究对象的预测方法已经无法满足智能网联技术发展的需求.本文以车道断面为研究对象,提出一种基于组合深度学习(Combined Deep Learning,CDL)的城市快速路车道级速度预测模型.该模型利用基于信息熵的灰色关联分析提取空间特征变量,采用长短期记忆神经网络提取空间特征变量的时间特征,并利用门限递归单元神经网络得到预测结果.通过北京市东二环路车道断面实测微波数据验证发现,提取车道交通流的时空特征,CDL模型能够很好地拟合不同车道不同时段的速度变化趋势,可有效地实现车道速度的单步及多步预测,且该模型的预测精度和稳定性均优于传统预测模型.     

高职大学生课堂学习行为实证研究

本文采用问卷调查的方式对高职生的课堂学习行为进行了调查。研究发现在目前传统教学模式下,高职生存在课堂学习自我控制力不足,课堂学习专注度比较低,不良的手机使用习惯对课堂学习也产生了较大的负面影响。本文建议改革高职传统的课堂教学模式,实施基于微课的翻转课堂教学,逐步培养高职学生自主学习能力;创建能即时反馈的移动教学平台(智能手机),充分发挥高职生思想活跃的优势,激发课堂活力,提高学生的课堂参与度,实现良好的教学效果。     

英语词汇习得之“互联网+”移动式策略探讨

PC、智能手机和移动互联网的普及把整个世界推向全球互联网时代,特别是由传统互联网时代推向移动互联网时代,外语学习者也终于可以借助个人智能设备来实现学习活动的多样化、学习媒介的多样化。互联网把学习内容、学习者、学习过程连接在了一起,互联网就是学校、就是课堂,"互联网+"模式让课堂、学习活起来,"互联网+"正在掀起学习模式的变革。英语词汇学习同样也要引进"互联网+",本文将从"互联网+"词典,"互联网+"词汇学习APP,"互联网+"视听资源,"互联网+"阅读资源,"互联网+"网络课程等多个方面介绍应用"互联网+"的英语词汇习得策略。     

信息化教学手段在课堂教学中的应用

本文以高职道桥专业课为例,利用移动智能设备开展课内课外即时反馈互动教学。通过采用手机APP平台与课堂相结合的混合式教学,激发学生的学习兴趣。从而让手机变成强有力的学习工具,提高教学质量与教学效果。     

机械设备故障智能诊断技术的现状与发展

对机械设备故障智能诊断技术的主要理论和方法进行了归纳和分类,对基于模糊理论的诊断法、基于人工神经网络的诊断法、基于灰色系统理论的诊断法、基于支持向量机的诊断法、集成技术故障诊断法等智能诊断方法的概念、特点、原理、缺陷、主要改进及典型应用进行了介绍,指出将现代技术与多种诊断方法相互融合形成的集成化智能诊断技术是机械系统故障智能诊断技术未来的重要发展趋势。     

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。