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...     

基于感兴趣区域的CNN-Squeeze交通标志图像识别

在公路交通中,针对复杂环境下交通标志识别率不高的问题,提出了一种基于 Kmeans对图像聚类,切割图像感兴趣区域(Regions of Interest, ROI),并利用方向梯度直方图特征(Histogram of Oriented Gradient, HOG)与卷积运算,特征加权(CNN-Squeeze)相结合的交通标志识别方法.首先,采用 K-means对交通标志图像进行三角形、圆形图像二聚类,并利用制作的切割模板切割 ROI 并提取 HOG 特征;然后,利用卷积神经网络 (Convolutional Neural Network, CNN)对 HOG特征进行过滤、降维,并通过 Squeeze网络对过滤后的二次特征进行重要性标定;最后,训练该网络模型并实现对交通标志的识别.仿真结果表明,与 BP网络、SVM 及CNN对比,本文方法在保证训练时间的同时,识别精度达到98.58%.     

基于感兴趣区域的CNN-Squeeze 交通标志图像识别

在公路交通中,针对复杂环境下交通标志识别率不高的问题,提出了一种基于 Kmeans对图像聚类,切割图像感兴趣区域(Regions of Interest, ROI),并利用方向梯度直方图特征(Histogram of Oriented Gradient, HOG)与卷积运算,特征加权(CNN-Squeeze)相结合的交通标志识别方法.首先,采用 K-means对交通标志图像进行三角形、圆形图像二聚类,并利用制作的切割模板切割 ROI 并提取 HOG 特征;然后,利用卷积神经网络 (Convolutional Neural Network, CNN)对 HOG特征进行过滤、降维,并通过 Squeeze网络对过滤后的二次特征进行重要性标定;最后,训练该网络模型并实现对交通标志的识别.仿真结果表明,与 BP网络、SVM 及CNN对比,本文方法在保证训练时间的同时,识别精度达到98.58%.     

基于联合投票网络的交通场景天气分类方法

基于交通视频监控图像的天气识别已经成为智能交通系统中重要的研究课题.虽然卷积神经网络(convolutional neural network,CNN)在图像识别技术获得了巨大的发展,但是针对复杂交通场景的天气识别问题,现有的模型在特征表达方面仍然面临着巨大的挑战.为了提取丰富的语义特征,提出了基于联合投票机制的深度神...     

基于卷积神经网络的路基病害自动识别方法研究

路基病害导致的道路坍塌事件时有发生,利用探地雷达(ground penetrating radar,GPR)技术对道路路基进行周期性的无损检测和评估,可有效识别处于早期阶段的路基病害,为及时治理提供技术支撑。传统的GPR路基病害图像解释大多依靠人工,存在评价不客观且效率低下的问题。为实现路基病害的自动识别,提出基于卷积神经网络(CNN)提取GPR路基病害图像特征的方法。该方法所采用的网络结构由卷积层、池化层和全连接层组成;输入病害图像后首先经过5层卷积层和5层池化层提取图像特征,然后将提取到的图像特征输入两层全连接层分类,最后通过softmax层输出识别结果。正演模拟数据集表明,该方法对路基空洞充气、路基空洞充水、路基脱空及路基含水层这4种典型道路路基病害的雷达图像识别准确率达到 96.75%,验证了该方法的有效性。     

基于改进VGG模型的低照度道路交通标志识别

针对低照度情况下道路交通标志图像亮度偏低、饱和度过高、图像模糊、识别不精确等问题,提出一种基于膨胀卷积-VGG(dilated convolution-VGG,DC-VGG)模型的道路交通标志快速识别方法.首先,运用限制对比度直方图均衡算法(contrast limited adaptive histogram equalization,CLAHE)对图像H(色相)S(饱和度)V(色明度)空间中的V通道均衡化,实现低照度图像亮度增强;其次,在HSV空间中设定阈值分割出指定色彩,通过轮廓检测定位交通标志;然后,基于深度卷积对抗神经网络(deep convolutional generative adversarial networks,DCGAN)对真实的交通标志图像进行数据样本增强,以提高分类模型的鲁棒性;最后,提出DC-VGG轻量化模型实现交通标志快速识别.经验证,该方法达到94.12％的识别准确率,且能在硬件不佳的条件下实时检测.     

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CNN深度学习的路面损坏轻量化识别系统应用研究

在日常巡查中开展路面损坏状况的科学检查和评定, 及时采取干预性养护措施, 才能长期、 有效地将路面技术状况维持在较高水平。 利用基于数字相机的路面图像快速采集系统和基于卷积神经网络 CNN 智能算法的路面损坏图像处理技术, 构建路面损坏轻量化识别系统, 通过对路面损坏图像样本的迭代训练, 该系统的路面损坏识别准确度能达到 90%以上。 将该系统代替常规人工巡查方式, 能够建立起高频、 快速、 全覆盖的路面健康巡检体系, 实现路面损坏自动化识别及准确定位, 提高了日常巡查的工作效率和质量。     

面向交通工具金属材料的缺损识别算法

金属作为现代交通工具重要设备的主要材料,其缺损情况对交通工具的安全性具有重要意义.为了实现对金属设备的缺损情况进行自动识别,提出一种基于深层卷积神经网络的视觉检测算法,该算法着重于工业缺陷识别.设计了一种沙漏型特征融合模块和金字塔特征细化模块,兼顾准确率和速度,有效提升基于金属图像的缺损部位定位和分类效率,借助计算机平台训练判别模型实现自动检测.算法在公开图像数据集上取得了先进的测试结果,并在移动端设备中实现高效运行.     

受电弓故障的车载图像识别技术

针对列车在途中因受电弓发生故障而影响运行安全的问题，提出了一种受电弓故障的车载图像识别技术，以实时检测受电弓降弓、变形与毁坏，碳滑板异常磨耗与缺口，弓角变形与缺失故障；基于更快速的区域卷积神经网络(Faster R-CNN)目标检测框架设计了弓头图像定位目标检测模型，利用残差网络代替原有卷积网络，利用特征金字塔多尺度预测结构构建了候选区域推荐网络，以精准、快速地进行弓头定位和状态检侧；基于掩码区域卷积神经网络(Mask R-CNN)实例分割框架设计了弓头图像分割模型，并针对性地重新设计了检测头的网络结构与特征图尺寸，以适应受电弓的细长弯曲特征，从而准确、快速分割弓头图像；为了在分割后的二值图中更快速地识别与定位故障，根据受电弓结构尺寸和图像分割模型输出的位置坐标，制定了弓角与碳滑板故障的快速模板匹配策略，并在此基础上编制了详细的故障检测算法与程序。研究结果表明：在相应的数据集上，弓头图像定位目标检测模型的平均检测精度为0.944,平均每帧检测时间为0.029 s,弓头图像分割模型的平均分割精度为0.967,平均每帧检测时间为0.031 s,模板匹配的检测精度为0.985,平均每帧检测时...     

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。     

基于图像信息检测的船-桥智能避碰系统研究

将避碰决策系统分为船舶运动检测、视觉几何模型和船舶运动态势计算、碰撞预报及预控3部分.针对图像质量问题采取图像预处理增强、中值滤波、直方图均衡处理方法.采用相位相关算法基于背景模态模式静态空间信息记录图像信息,补偿图像抖动.基于视觉几何模型计算船舶运动态势计算船舶目标空间坐标位置、船舶型尺度、船速、船首向等.基于实时运动状态信息和桥区船舶运动态势预报碰撞危险以及避碰决策模式.引入避碰等级术语通过计算桥区船舶操纵避碰相关参数,进行避碰早期预警并得出避碰操纵决策方案.形成合理化的船-桥避碰决策系统,以达到船-桥避碰预警预控的智能效果.     

基于SDN的细粒度视频流量控制机制研究

为了有效地管理网络资源和保障不同多媒体业务的服务质量,设计了基于SDN的细粒度流量控制机制。利用机器学习技术,通过在SDN控制平面中部署卷积神经网络算法,实现了视频流量的细粒度分类,并在SDN实验平台上对该控制机制进行了验证。结果表明：分类准确率达到95%以上,有效实现了视频流差异化传输服务。     

基于多传感器数据融合的齿轮箱故障诊断方法

为了解决单通道单维度振动信号输入不能全面表达齿轮箱故障特征的问题,提出一种基于多传感器多通道数据融合的诊断模型,结合卷积神经网络应用于齿轮箱振动信号的特征学习和故障分类中.利用连续小波变换对多通道数据进行二维时频变换,得到二维时频图像;构建神经网络诊断模型,以多通道的时频图作为输入,实现多通道信号特征的故障分类.通过动...     

基于迁移学习和卷积神经网络的牵引电机轴承健康评估方法

针对牵引电机轴承健康评估中带标签的全寿命周期振动数据获取与可反映轴承性能退化趋势的健康指标构建困难的问题，提出了一种基于迁移学习和卷积神经网络的牵引电机轴承健康评估方法；采用迁移学习，以带标签的轴承全寿命周期数据集为源域数据，以综合试验台数据为目标域数据，构建数据集；采用欠采样与合成少数类过采样技术对全寿命周期数据集进行扩充与平衡，得到了卷积神经网络训练所需的有效样本数量；在时域和频域上提取描述轴承退化过程的特征，利用卷积神经网络，遵循轴承性能退化规律的浴缸曲线，对基本特征进行融合，构造了健康评估指标。分析结果表明：在电机轴承轴电流损伤的健康评估中，所提出的基于迁移学习和卷积神经网络的健康评估方法的准确率为98.17%,遵循直线型、二次函数型和抛物线型退化规律构建健康指标的方法的准确率分别为86.61%、89.56%、91.30%,因此，所提评估方法准确率最大，具有更佳的评估效果，并且实现专家知识与神经网络学习知识的结合，降低了故障特征维度，解决了健康指标构建困难的问题，通过跨设备迁移学习实现了牵引电机轴承的健康评估。     

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。     

基于路面指纹的高精度车辆定位

车辆定位广泛使用基于视觉的定位方法,针对前视图像或侧视图像易受到周围环境的影响且定位过程中需要遍历匹配地图图像导致耗时较长的问题,本文提出一种基于俯视路面图像的表征模型--路面指纹.路面指纹包含GPS(Global Positioning System),路面特征和图像特征点.该模型通过卷积神经网络(Convolutional Neural Network, CNN)结合连通区域识别待定位图像的路面特征信息,利用路面特征信息对GPS初定位筛选的地图节点进一步筛选从而提高定位效率.分别在路面特征信息密集和稀疏的路段下进行实验,实验结果表明,通过引入路面指纹使定位耗时减少20.3%,平均定位误差为47.4 mm.该方法能提高定位效率并实现高精度车辆定位.     

基于CNN和粒子群优化SVM的手写数字识别研究

针对传统卷积神经网络手写体数字识别中Softmax因指数函数运算而易产生计算溢出以及较高的计算机硬件需求问题,提出了基于卷积神经网络特征提取的支持向量机手写体数字识别方法。同时,为了提高手写体数字的识别精度,设计了基于K-CV意义下适应度函数的粒子群优化SVM参数方法。基于Semeion及MNIST手写体数字集的实验仿真表明,文章所设计的方法与传统方法相比能够获得更高的识别率。     

基于AHP—FCE的远程协同分析系统动态联盟盟员智能决策技术

针对企业如何在网络环境下寻找最佳协同分析合作伙伴的问题,提出了一种基于AHP-FCE的远程协同分析系统动态联盟盟员智能决策体系结构,建立了多层次动态联盟盟员决策模型,描述了评价指标层次结构和综合评价方法.着重研究了盟员决策方案的规划、决策向导用户界面和智能决策过程知识处理等关键技术在此基础上开发了系统平台,实现了动态联盟盟员决策的智能化,并通过实例对系统进行了应用验证,取得较好的应用效果.     

径向基函数网络用于船用柴油机智能诊断的研究

从工程应用的观点出发，研究以神经网络理论为数学工具对柴油机故障进行智能仿真诊断．建立船用柴油机症状与故障样本集，作为基于RBF神经网络故障诊断的专家知识库，以实现船用柴油机故障的智能诊断，并对该神经网络的容错能力进行评估分析．