基于卷积神经网络的汽车操纵稳定性试验类型识别方法

针对汽车操纵稳定性试验评价指标自动化处理需要自动识别试验类型的需求,提出一种基于卷积神经网络的汽车操纵稳定性试验类型自动分类方法。在分析汽车操纵稳定性试验类型数据图像特征的基础上,建立了由1个输入层、3个卷积层、3个批归一化层、2个最大池化（Max-pooling）层、5个线性整流函数（ReLU）层、3个全连接层、2个活化（Dropout）层、1个激活函数（Softmax）层和1个分类输出层组成的汽车操纵稳定性试验类型分类卷积神经网络模型。利用2 250组试验采集的数据对模型进行了训练和验证。经验证,类型分类准确率为99.33%,平均识别时间为0.05 s。结果表明,本文提出的基于卷积神经网络的汽车操纵稳定性试验类型自动识别方法可有效区分不同试验类型,可用于汽车操纵稳定性试验结果的自动处理,显著提升汽车操纵稳定性试验自动化处理水平。     

基于一维卷积神经网络的驾驶人身份识别方法

近年来,智能网联汽车（ICV）已成为智能工业时代最有前景的发展方向。作为现代移动的重要模式,ICV的设计和开发越来越强调个性化需求。提出一种仅使用车载CAN总线行车状态数据,基于深度学习的驾驶人身份识别通用框架。首先采集20名驾驶人在固定试验路线下,包括不同道路类型、不同交通条件下的自然驾驶行车状态数据集;其次对9种类型的CAN信号行车数据进行数据清洗与重采样,构建数据样本集。搭建了由卷积层、池化层、全连接层、SoftMax层构成的一维卷积神经网络（1-D CNN）驾驶人身份识别模型,并且使用Adam算法、L2正则化、Dropout、小批量梯度下降等方法对模型性能进行优化。算法验证过程中,探讨了模型卷积核占比、卷积核数量、卷积层层数、全连接层节点规模对模型识别准确率的影响,进而对模型结构参数进行优选。进一步地,将该算法与K近邻（KNN）、支持向量机（SVM）、多层感知器（MLP）等传统机器学习方法及深度学习算法长短时记忆网络（LSTM）进行对比分析,同时探究样本时间窗口大小、样本数据重叠度、驾驶人数量对模型识别结果的影响。在数据时间窗口为1 s、数据重合度80%的条件下,对20名驾驶人进行识别,评价指标宏观F₁分数可达99.1%,表明该模型表现明显优于其他对比模型算法,其对驾驶人身份识别表现稳定,鲁棒性强。     

汽车通过噪声声源识别方法研究进展

汽车通过噪声具有频带范围宽、随车速变化快、来源众多、产生机理复杂等特点。基于麦克风阵列的波束形成和声全息方法及基于“源-路径-响应”的传递路径分析方法适合于汽车通过噪声这类非稳态工况的噪声源识别。文章概述三种方法在汽车通过噪声识别领域的发展历程及应用情况,分析其特点,最后展望其发展方向,为高效准确识别汽车通过噪声源提供参考。     

基于空气声源定量法降低汽车加速通过噪声

通常在车辆开发周期中很晚才进行通过噪声的评估,并且任何的更改或者修正都是昂贵的。本文演示了如何将空气声源定量(ASQ)技术应用于车辆外部噪声的建模中。这项研究的结果表明,通过使用单个子系统测力可以单独确定整车中诸如发动机或变速箱等单个子系统的声源强度。通过评估声源强度和整体通过噪声声压级,可以得到结果的相关性。     

基于卷积神经网络的双行车牌识别系统

目前,车牌识别发挥在众多应用程序和许多技术已经提出。但是,他们中的大多数可以仅适用于单行车牌。在实际应用程序方案,也有现有的许多多行车牌。传统方法需要对双行车牌的原始输入图像。这是一个非常复杂场景中的难题。为了解决这个问题,我们建议一个端到端的神经网络为两个单行和双行车牌识别。是的原始输入车牌图像的分段。我们查看这些整个图像作为一个单位在要素映射后直接深度卷积神经网络。大量的实验表明我们的方法是有效的。     

基于卷积神经网络的逆变器故障诊断方法

针对车用永磁同步电机驱动系统在长期运行过程中存在的逆变器故障风险,本文中提出了一种基于卷积神经网络的逆变器故障诊断方法.首先,对三相定子电流数据进行标幺化和单位电周期电流数据筛选处理,降低电机驱动系统变转矩、变转速工况对故障诊断效果的影响;然后,结合卷积神经网络,发挥其提取故障特征和抗噪优势,实现逆变器故障诊断.在MA...     

基于智能手机的汽车驾驶员识别方法

为了减少驾驶员在开车过程中使用手机从而导致的驾驶分心,利用智能手机GPS传感器采集速度信息判断智能手机用户位于汽车上,采集智能手机用户对手机的使用情况、连续操作时间、操作频率、操作模式及使用手机的打字速度等信息,赋予每条提取的信息一个权重值,建立计分模型,通过划分的阈值判断手机用户是否是驾驶员。本方法能够通过一个智能手机自主识别驾驶员,实施方便且成本低廉。     

基于BP神经网络的手写签名识别方法

手写字符识别是一个难度很大，但却具有广阔的应用前景的研究课题。提出了一种基于BP神经网络的手写签名识别方法，实验表明，采用一个签名的6个真伪样本训练BP网络后，对该签名真伪的正确识别率达到80％以上；如果使用10个真伪样本训练网络，那么该签名的真伪识别率约达90％。     

基于神经网络集成的财务舞弊识别方法

为提高财务舞弊识别的精确度及泛化能力,本文以Spss Modeler14.2为平台,利用bagging和Boosting算法构建神经网络集成分类器,建立财务舞弊识别数据流,并对结果进行了分析。结果表明,Boosting算法构建的神经网络集成分类器精确度高,泛化能力强,能更有效的识别财务舞弊。     

基于神经网络的桥梁异常状态识别方法

针对桥梁结构监测采集到的桥梁异常状态下长期积累演变的惊人数据量,提出了基于主成分分析与人工神经网络相结合的桥梁结构异常状态识别方法。布设多种类型传感器监测获取高维数据,采用主成分分析法对原始高维特征数据进行预处理,将结构异常特征变量的主成分作为人工神经网络的输入特征。该方法有效的降低了神经网络的结构复杂度,同时提高人工神经网络的训练速度,也保证了人工神经网络具有良好的收敛性和稳定性。应用于江苏南通如泰运河大桥和江苏无锡开源大桥的实际监测数据的结果表明,基于主成分分析的人工神经网络方法用于桥梁结构异常状态识别,与传统的神经网络以及其他模式识别算法相比,有更好的识别精度。     

基于卷积神经网络的自行车骑行行为识别

为研究适合我国城市交通的自行车骑行行为分类识别方法,实施骑行行为视频调查试验,并提取骑行者骑行特征信息.结合我国交通现状和自行车交通特点,提出一种新的骑行行为分类方法,新的行为分类可基本覆盖我国自行车交通的所有骑行行为场景.采用提出的行为分类方法对试验个体骑行行为进行人工分类标记,得到不同骑行场景下的骑行行为分类数据集.基于卷积神经网络(CNN)建立自行车骑行行为识别模型,考虑模型输入特征特性以及分类任务复杂度对模型结构进行迭代设计选优,调整模型网络组成和卷积参数,得到分类效果显著的模型结构.对比分析多元Logit分类模型、三层全连接层BP神经网络模型,与本文的卷积网络模型在骑行行为分类预测的表现,在20 000次迭代训练之后,3个模型均得到收敛结果.结果 表明,提出的骑行行为分类模型准确率分别高于多元Logit模型20%,高于BP网络模型15%,显著优于对比模型的识别效果.卷积网络模型可有效解析骑行行为与各骑行特征因素之间的关系.     

基于改进级联卷积神经网络的交通标志识别

自动驾驶场景中交通标志的检测和识别十分重要,为提高自然场景下交通标志检测精度,本文中提出了一种基于Cascade-RCNN改进的交通标志识别算法。首先,针对交通标志这类小目标特殊任务,将FPN模块的深层特征信息融合进浅层特征层。其次,改进了目标检测任务中的评价指标IoU,引入目标检测任务的直接评价指标GIoU指导定位任务,提高了检测精度。最后,算法在德国交通标志数据集GTSDB下进行了实验验证,以ResNet101为基础特征提取网络,mAP可达98.8%,实验结果表明了所提算法的有效性,具有优越的工程实用价值。     

基于神经网络的发动机噪声的预测

应用神经网络技术，通过对发动机噪声试验数据的反复学习，实现发动机噪声的动态预测，取得了较满意的预测结果，为降低和控制发动机噪声提供了准确的信息，同时也为发动机动态噪声环境的仿真提供了一种有效的方法。     

基于神经网络技术的斜拉桥损伤分步识别方法

结合神经网络技术进行了斜拉桥损伤分步识别的系统性研究,提出了具体的斜拉桥损伤分步识别过程,给出了每一识别步骤中适当的损伤识别参数.可实现斜拉桥主要构件即拉索和主梁中损伤的有效识别.采用概率神经网络确定损伤构件的类型,采用径向基函数(RBF)网络实现损伤的定位定量分析.针对润扬大桥斜拉桥的损伤模拟分析表明:将测试数据进行平均计算可以大大降低噪声对于概率神经网络识别结果的影响;噪声水平对2个径向基函数网络的损伤位置和损伤程度的识别能力方面的影响较小.采用不同的神经网络分阶段实现大跨斜拉桥的损伤识别,不仅提高了损伤识别的效率和准确性,而且增强了损伤识别方法在实际结构中应用的可行性.     

基于神经网络的大型悬索桥单损伤识别方法

文中采用BP神经网络对大型悬索桥结构进行了分组子结构法的单损伤识别分析,分析结果表明,分组子结构法能成功地将神经网络技术应用于大型悬索桥的单损伤识别,解决神经网络应用于大型复杂工程结构损伤识别难以训练成功的问题.     

基于卷积神经网络的锚杆锚固质量评估方法

锚杆的锚固质量通常使用声波反射法进行检测,然后使用人工方式对其进行分析和分类,但人工方式不仅具有较强的主观性,而且还费时费力。为解决上述问题,提出一种基于Alexnet卷积神经网络的锚杆锚固质量评估方法。首先,对已经经过人工分类的声波反射信号进行预处理,得到原始样本数据,并将其按一定比例划分为训练集和测试集;然后,用该样本数据训练卷积神经网络模型并进行分类测试。试验结果表明： 1）该预处理方法极大地提高了最后分类的准确性,样本数据集达到了约90%的准确率; 2）在实际工程应用中,与人工分类结果相比,采用该方法得到的分类结果认可度达到95%。     

基于卷积神经网络的铆钉缺陷检测方法研究

针对铆接过程中铆钉内部断裂缺陷难以分类判别问题,利用卷积神经网络和长短期记忆网络设计检测算法。首先,使用平滑滤波法将特征信号中的异常噪声值滤去,同时根据拟合函数对检测信号进行插值,提高特征数据的信息量。其次,利用处理后的故障样本训练网络来实现铆钉缺陷诊断。实验结果表明：该方法总体识别准确率可达99%,能够有效地进行铆钉缺陷诊断。     

基于卷积神经网络的路表病害识别与测量

为进一步提高利用二维图像统计路面病害的精度与效率,将卷积神经网络（Convolutional Neural Network,CNN）技术引入了基于图像分析的路面病害识别与测量。首先,将原始图像进行等尺寸分割作为CNN的训练样本。其次,经结构设计、前反馈算法训练及样本测试3个步骤后,建立病害识别模型（CNN1）。用训练完成的CNN1对所有图像进行病害类型识别并将输出结果作为裂缝特征提取模型（CNN2）和坑槽特征提取模型（CNN3）的训练样本。采用相同步骤建立裂缝特征提取和坑槽特征提取模型,完成训练后,运行CNN2,CNN3对路面裂缝与坑槽图像进行特征提取。最后,分析图像分辨率对3个CNN识别和特征提取精度以及效率的影响。结果表明：CNN1可以准确识别多种病害,CNN2的裂缝长度提取的平均误差为4.27%,宽度提取的平均误差为9.37%,裂缝病害严重等级判断准确率为98.99%;CNN3的单张图像中的坑槽个数测量无误差,单个坑槽面积的平均误差为13.43%,坑槽病害等级判定准确率为95.32%,可见CNN具有较高的测量精度;CNN1在使用CPU的情况下测试完成原始图像平均用时为704 ms·幅^-1,CNN2用时为5 376 ms·幅^-1,采用图形处理器加速后CNN1用时为192 ms·幅^-1,CNN2测试平均用时为1 024 ms·幅^-1,可见CNN在图形处理器加速下效率具有显著优势,相比其他方法,在图像分辨率高于70像素时,CNN对路面裂缝与坑槽的识别与测量具有运算高效、结果精准等优势。     

基于卷积神经网络的车辆位姿估计算法

针对基于双目视觉和激光雷达对车辆进行位姿估计时计算量大、成本高等问题,提出一种单目视觉位姿估计算法,设计多任务卷积神经网络作为车辆位置和姿态估计的网络。将目标车辆视为刚体,分别对其尺寸、姿态角、3D中心点建模,以KITTI数据集中相关数据对模型进行训练,并分析训练后的网络,估计模型的计算速度和精度。结果表明,该位姿估计网络实时性良好,帧速率达50帧/s,平均姿态角相似度达86.14%。