中国高速铁路信号系统分析与思考

介绍中国高速铁路信号系统的发展历程及成果,对比分析了中国高速铁路列车运行控制系统的技术水平及特点.在总结成果的基础上,针对现有信号系统的技术标准与体系结构存在缺陷、基础研究薄弱、安全保障体系不符合高速铁路安全需求等问题进行了思考,并提出了改进建议.     

基于无线通信系统的机车信号控制技术

随着列车速度的提高和行车密度的加大，机车信号系统已成为影响行车安全的技术瓶颈，在系统分析无线移动系统应如何满足机车信号信息要求的基础上，提出采用无线移动通信技术解决机车信号技术的方案．以经过验证的GSM-R系统为基础，对我国现有自动闭塞系统进行技术改造，实现技术、投资、效益的最佳结合。     

基于图模型与卷积神经网络的交通标志识别方法

为了提高交通标志识别的鲁棒性, 提出了一种基于图模型与卷积神经网络(CNN)的交通标志识别方法, 建立了一个面向应用的基于区域的卷积神经网络(R-CNN)交通标志识别系统。构造了基于超轮廓图(UCM)超像素区域的图模型, 有效利用自底向上的多级信息, 提出了一种基于图模型的层次显著性检测方法, 以提取交通标志感兴趣区域, 并利用卷积神经网络对感兴趣候选区进行特征提取与分类。检测结果表明: 针对限速标志, 基于UCM超像素区域的图模型比基于简单线性迭代聚类(SLIC)超像素的图模型更有利于获取上层显著度图的大尺度结构信息; 基于先验位置约束与局部特征(颜色与边界)的层次显著性模型有效地融合了局部区域的细节信息与结构信息, 检测结果更加准确, 检测目标更加完整、均匀, 查准率为0.65, 查全率为0.8, F指数为0.73, 均高于其他同类基于超像素的显著性检测算法; 基于具体检测任务的CNN预训练策略扩展了德国交通标志识别库(GTSRB)的样本集, 充分利用了CNN的海量学习能力, 更好地学习目标内部的局部精细特征, 提高了学习与识别能力, 总识别率为98.85%, 高于SVM分类器的95.73%。     

基于卷积和递归神经网络融合的交通状态指数预测

为提高交通状态指数预测精度,方便市民出行规划和提高相关机构管理预见性,创新研究了基于卷积和递归神经网络融合的交通状态指数预测模型.模型将卷积网络和递归网络进行了融合,由卷积神经网络层和递归神经网络层组成.该模型中的卷积网络能自动提取重要影响因子,同时递归网络能捕捉到前后时序特征,结果显示,得到的融合模型在交通状态指数预...     

基于整数提升小波和Rice编码的机车信号波形数据的无损压缩方法

针对铁路现场机车信号实际运用情况,提出了一种基于整数提升小波变换和Rice编码的机车信号记录波形数据的无损压缩方法.该方法利用提升结构的整数小波原位运算实现对信号波形数据的快速预测和更新,再对变换后的数据进行Rice无损压缩编码.实验证明,该方法能够达到对机车信号记录器波形数据进行快速、高效的无损压缩存储的要求.     

基于深度可分离卷积的多目标追踪神经网络研究

提出一种在线的多目标追踪方法,通过指定所需追踪的目标,结合人工智能强大特征提取能力,可以实时的追踪该目标的位置.在传统神经网络的追踪算法中,引入了深度可分离卷积,利用其强大时序特征提取能力,使该网络在各种不同光照、不同角度的情况下,推理前后数帧之间的关系,得到稳定的追踪区域.除此之外,利用深度可分离卷积与改进后的卷积层相连接,使其拥有了多目标追踪能力的同时,依然满足实时处理能力.在公开数据机上VOT-2016测试结果显示,与现有追踪方法相比,该方法不仅在准确度,EAO的表现出色,而且保持了不错的处理速度.通过该方法可以有效地统计地铁站OD流,或追踪指定人物的移动轨迹等,满足在交通以及安防领域的需求.     

基于卷积神经网络优化回环检测的视觉SLAM算法

传统视觉即时定位与建图（SLAM）算法若无回环检测可能会存在累积误差无法消除的现象,即使有回环检测,也因准确率和效率比较低而无法应用于轻量级设备上,为此,研究一种回环检测优化的视觉SLAM算法. 前端估计时,对相邻帧图像进行ORB （oriented fast and rotated brief）特征提取与匹配,对匹配成功的特征点进行PnP （perspective-n-point）求解,获得相机运动估计并筛选出关键帧图像;后端优化时,利用SqueezeNet卷积神经网络 （CNN）提取图像的特征向量,计算余弦相似度判断是否出现回环,若出现回环则在位姿图中增加相应约束,利用图优化理论对全局位姿进行整体优化;最后利用项目组制作的数据集和TUM （technical university of munich）公开数据集进行测试与对比. 研究结果表明:相比于无回环检测算法,本文方法可以成功检测到回环并为全局轨迹优化增添约束;相比于传统词袋法,在回环检测准确率相同的情况下,本文方法召回率可提高21%且计算耗时减少74%;与RGB-D （red green blue-depth） SLAM算法相比,本文方法建图误差可降低29%.      

一种基于神经网络的宽带相干信号波达方向估计方法

相干信号子空间处理方法是一种通过构造聚焦矩阵来估计宽带相干源波达方向的有效方法，本文基于逆传播学习算法，给出了一种用神经网络来实现聚焦过程的新颖方法，利用这种方法进行ＤＯＡ估计，可以无需预先知道源信号初始信息，不经预处理过程即可获得对ＤＯＡ的高性能估计。     

基于模糊神经网络的语言识别

神经网络上仍多极、并行、分布式、高度容错能力，并具有自行组织自行发展的适应性功能，能在被处理的信息内容引导下，自行改造其自身的结构及其运行规则，是研究非线性的、适应的、大脑风格的信息处理的全新工具，因此，本文提出一种模糊网络模型和自适应学习算法，并用自然语言的识别处理控制。     

半监督卷积神经网络的词义消歧

为了解决有标签语料获取困难的问题,提出了一种半监督学习的卷积神经网络(convolutional neural networks, CNN)汉语词义消歧方法. 首先,提取歧义词左右各2个词汇单元的词形、词性和语义类作为消歧特征,利用词向量工具将消歧特征向量化;然后,对有标签语料进行预处理,获取初始化聚类中心和阈值,同时,使用有标签语料对卷积神经网络消歧模型进行训练,利用优化后的卷积神经网络对无标签语料进行语义分类,选取满足阈值条件的高置信度语料添加到训练语料之中,不断重复上述过程,直到训练语料不再扩大为止;最后,使用SemEval-2007:Task#5作为有标签语料,使用哈尔滨工业大学无标注语料作为无标签语料进行实验. 实验结果表明:所提出方法使CNN的消歧准确率提高了3.1%.      

基于多小波分析的暂态信号去噪方法研究

由于多小波分析方法的特殊性,需要对原始信号进行预处理.不同的预处理方法对多小波去噪效果有着非常明显的影响.文中介绍了多小波理论,选用GHM多小波,采用了4种预处理方法对信号进行预处理,分析了基于这4种方法进行信号去噪的结果,并与单小波处理结果进行了比较.将比较结果应用于检测系统输出电压信号进行分析,结果表明,利用多小波变换方法对暂态信号去噪比用单小波方法具有明显的优越性.     

基于双向自适应门控图卷积网络的交通流预测

针对路网交通流时空依赖上的高度复杂性以及数据污染的现实性,基于图神经网络构建一种新型时空融合交通流预测模型。考虑交通流数据中的缺失、异常与噪声,模型首先对数据进行特征重构与融合,在保持时序特性的前提下,以滑动时间窗口平滑交通流特征信息,做好数据准备。考虑交通流的实际有向性,主体模型采用正、反双路网络设计以分向学习交通流时空特征的有效表示。双路网络结构相同,以轻量有效的因果卷积作为模型的时序特征提取器,以多层自适应门控图卷积神经网络作为模型组件提取空间特征,实现信息的自适应聚合与传播,再通过纵向信息聚合层轻量化地实现不同局部视野下的信息融合,基于注意力有效权衡两路网络的信息贡献并将其聚合,建立双向自适应门控图卷积网络交通流预测模型。在真实交通流基准数据集PEMS03、PEMS04、PEMS07和PEMS08上进行模型的有效性验证,结果表明,所建模型在4个数据集上3个预测精度指标均优于基线模型。同时,相较于最先进的基线模型时空同步图卷积网络与时空融合图神经网络,所建模型能以数倍甚至数十倍比例的参数轻量化与低训练时间代价获得更高的预测精度。     

基于小波分析的车轮六分力信号的去噪研究

介绍了利用小波分析去噪的原理,分析了小波变换模极大值法、小波系数尺度相关法和阈值法3种信号处理方法的特点,详述了利用阈值法处理信号时选择小波基、确定分解层、阈值处理和信号重构的方法。利用Matlab的小波分析工具箱对车轮纵向力信号进行去噪分析应用,结果表明:小波分析能很好的区分信号里的突变信号与多余的噪声,通过小波重构得到去噪后的车轮分向力突变的信号。本设计具有一定的应用价值。     

�����������ʵʱ��ͨ�źſ���������о�

实时交通信号控制是城市交通控制系统的重要组成部分,建立在前人研究工作的基础上,本文尝试采用多智能体的分布式控制技术来解决复杂的交通信号控制问题,构造了多智能体的城市交通控制系统控制流程,提出基于同时扰动随机逼近算法/人工神经网络的改进的交通控制模型,模型通过采用同时扰动随机逼近算法来更新神经网络的权重,这种方法克服了现有控制方法需要大量的数据传输、准确的数学模型等缺陷。最后作者应用微观交通仿真系统对模型的有效性在较为复杂的交通网络中进行了测试,仿真结果表明了该方法的有效性。     

基于深度学习的复合神经网络机场信号检测框架

针对信号调制识别对复杂通信环境缺乏适应性与精度不足的问题,提出一种基于深度学习的多特征复合神经网络框架. 该框架首先使用前端卷积神经网络检测信号载波特征,再对前端初筛选信号执行预处理将其转换为信号时频图,最后设计了后端轻量化卷积神经网络,检测信号时频特征. 基于TensorFlow平台的复合神经网络对机场真实信号检测精度达到99.23%,实验表明该方法可有效应用于实时机场信号检测.      

基于改进小波变换方法的混沌信号去噪研究

针对混沌信号和噪声频谱互相重叠,传统方法难以实现有效滤波这一问题,提出一种改进的小波去噪方法.该方法采用参数加权法构造信号,将小波分解系数进行阈值处理,通过循环迭代,利用序列中包含的有效信息,将有用信号提取出来.仿真结果表明,利用改进小波变换去噪方法改善了混沌时间序列的预测结果,证明了该方法的有效性.     

基于信号强度和功率损耗的分层网络切换算法

为解决毫微微小区基站布置在宏蜂窝小区中引起的切换问题,提出了一种新的分层网络切换算法.该算法主要基于用户接收的信号强度和信号在传播过程中的功率损耗2个参数进行切换判决.当依据接收的信号强度进行切换判决,且其不能有效工作时,将功率损耗作为辅助判决条件,可提高毫微微小区的利用率和降低算法复杂度.仿真分析结果表明,与传统的切换算法相比,该算法的切换次数增加了1倍;与基于宏基站和毫微微小区基站联合信号强度的切换算法相比,减少了1/2不必要的切换次数.     

基于翻转装置的轻型卡车驾驶室地板结构强度优化

针对某轻型卡车驾驶室前地板开裂现象,进行实车道路试验和驾驶室翻转试验,查出影响开裂的主要因素。通过建立驾驶室有限元模型,并对单扭杆式翻转机构进行力学分析,得到驾驶室所受到的预应力;用有限元分析法对驾驶室在不同工况下进行强度分析对比,提出改进方案,为翻转机构式驾驶室结构改进提供依据。