基于面向对象随机森林分类模型的滑坡遥感解译

滑坡遥感解译可为复杂艰险山区的道路选线提供重要的参考资料。以青海省沿黄公路共和至大河家段公路为研究区,利用高分辨率QuickBird卫星影像,采用面向对象的随机森林分类模型提取滑坡区域。该方法先利用多尺度分割方法生成滑坡对象,构建滑坡对象的光谱、纹理及形状特征图,在此基础上利用训练好的随机森林模型提取出疑似滑坡区,最后结合目视解译,得到准确的滑坡区。结果表明:该方法能快速准确地提取出道路沿线的滑坡区,有效节约人力物力,为后续的道路选线提供准确信息。     

时序InSAR技术在山区公路遥感地质勘察中的应用

传统公路遥感地质勘察方法较难获取潜在地质灾害隐患区信息,影响后续山区公路选线。为此,采用一种基于时序InSAR技术的山区公路遥感地质勘察方法。以青海省沿黄公路隆务峡至公伯峡段为研究区,利用长时间序列的Sentinel-1A影像,通过小基线集干涉测量技术(SBAS-InSAR),获取路线范围内沿雷达视线(LOS)方向的地表形变信息,并将其转化为坡向方向的形变信息,然后利用GIS空间分析方法获取典型沉降区,以此提取出潜在地质灾害隐患区。实验结果表明,SABS-InSAR技术可有效提取出山区公路潜在地质灾害隐患区,有效节约人力物力,为山区公路的准确选线提供数据支撑。     

基于小波与深度置信网络的柴油机失火故障诊断

为更深入地了解柴油机失火故障的机理,提高失火故障诊断准确率,本文中提出了一种基于小波与深度置信网络的柴油机失火故障诊断方法。首先,采用等角度采样法对柴油机缸盖振动信号进行采样,获得平稳的角域信号,消除循环波动干扰;然后,通过连续小波变换对角域信号进行角-频分析,提取点火频率附近频带后利用连续小波逆变换重构信号;接着,按照柴油机工作循环从重构信号中,分段提取方差、峭度和峰值等12种常用特征参数并构造诊断参数矩阵;最后,利用深度置信网络对诊断参数矩阵进行降维和第二次特征提取,并依据二次特征对失火故障进行诊断。将该方法应用到某型柴油机上的结果表明,该方法能准确提取失火故障信息,有效诊断失火故障。     

基于深度学习的高分影像道路提取方法研究

首先阐明了道路数据信息化管理的重要意义,并简要分析了道路元素特征与提取思路,论证了在高分辨率遥感影像和丰富样本集的支持下,基于深度学习的道路提取方法相较于传统方法具有更优的适用性;其次选择了WGAN(Wasserstein生成对抗网络)深度学习模型来实现道路提取操作,通过样本标注与多层融合训练得到了能够根据原始遥感影像直接输出道路元素二值图像的生成模型;最终通过对实际道路提取任务的实验验证,证明了本方法在提取精度和效率上的优势和普适性。     

基于神经网络的汽油车三效催化器老化诊断

随着汽油车后处理系统复杂程度的提高,三效催化器的故障诊断需要解决建模难度大、标定成本高等问题。结合神经网络在处理非线性问题上的优势,提出一种基于神经网络的汽油车三效催化器老化诊断算法。算法以三效催化器的老化机理为基础,采集催化器前后氧传感器信号作为特征输入,结合不同故障进行编码,构成网络训练和测试所需的数据集;分别应用反向传播神经网络(Back Propagation Neural Network,BPNN)和深度置信网络(Deep Belief Network,DBN)的模型架构,对训练过程各参数进行调优,并对诊断结果进行测试。试验结果表明:基于神经网络的诊断算法建模简便,具有较高的诊断精度和泛化能力;诊断架构上,DBN相对于BPNN简化了特征提取过程,拥有更高的诊断精度。     

基于GBRBM-DBN模型的短时交通流预测方法

为提高城市道路短时交通流预测的精度和效率,提出了一种基于深度学习的短时交通流参数预测模型,结合高斯-伯努利受限波尔兹曼机、Softmax回归模型和深度置信网络,对大规模路网中地点车速进行预测.该模型在网络底层加入高斯-伯努利受限波尔兹曼机,将传统二值输入转换为连续实值输入以适应地点车速的数据特征.在网络输入、输出矩阵中加入时空特征表达,并将深度置信网络顶层接入Softmax回归模型,根据深度学习模型提取到的地点车速时空特征对多路段多时刻的地点车速进行预测.选取广州市大规模路网中60条路段60 d的实测地点车速对网络结构和参数进行调试,并分析预测结果.结果表明,GBRBM-DBN网络结构能够提取大规模路网中地点车速的时空分布特征,预测精度较高.与长短时记忆循环神经网络预测结果进行对比,具有更高的时效性;与“深层模型+小规模数据”相比,平均绝对误差减小10.13 km/h,平均相对误差减少14.5%;对输入矩阵中的训练集和测试集数据量比例作不同划分,平均绝对误差变化范围在1.64 km/h以内,平均相对误差仅增大7.3%.      

区域卷积神经网络用于遥感影像车辆检测

针对大范围快速的车辆检测与计数,利用高分辨率卫星影像数据,提出了一种基于区域卷积神经网络的车辆检测算法。区域卷积神经网络是深度卷积神经网络和区域建议网络二者的结合。首先利用深度卷积神经网络自动提取各个层的特征,为了减少检测窗口的数量,提出区域建议网络,对下采样后的每个位置考虑3种窗口和对应的3种比例,这样大大减少了检测窗口的数量。再根据分类器对目标进行分类。这样将特征、检测窗口和分类器有效地结合在一起。在对遥感影像车辆检测试验中,通过对手工标注的车辆样本数据多次迭代来训练卷积神经网络和区域建议网络获取车辆检测的先验模型,再由先验模型检测出测试影像中车辆目标。与传统的基于梯度方向直方图(HOG)特征和支持向量机(SVM)车辆检测算法进行比较,在检测率方面,区域卷积神经网络算法明显高于HOG+SVM算法;在误检率方面,区域卷积神经网络检测明显小于HOG+SVM算法;在检测时间方面,同样的一张图像,区域卷积神经网络检测速度比HOG+SVM算法提升近800倍。试验结果表明:利用区域卷积神经网络方法进行大范围车辆检测,在精度和速度方面都有显著提升。     

基于改进掩码-区域卷积神经网络的混凝土病害实例分割

为对混凝土病害图像进行更精确的实例分割，提出改进掩码-区域卷积神经网络(Mask Region Convolution Neural Network, Mask-RCNN)。该网络采用轻量级的可移动网络(MobileNetV2)代替原始Mask-RCNN中卷积层过大的主干网络——残差网络(ResNet101),加入路径聚合网络(PANet),以提高Mask-RCNN提取浅层特征信息的能力。为验证改进Mask-RCNN的识别精度及其在实际工程中的可行性，首先构建多类混凝土病害图像数据集，利用K-means聚类算法确定最适合该数据集的先验边界框的长宽比，然后对比改进Mask-RCNN与原始Mask-RCNN、其它主流深度学习网络对混凝土五类病害(裂缝、露筋、剥落、白皙和空洞)的识别结果；最后利用无人机采集到的钢筋混凝土桥梁病害图像作为测试集进行测试。结果表明：改进Mask-RCNN在提高计算速度的同时能更准确地定位病害，减少了误检和漏检，识别精度高于原始Mask-RCNN及其它深度学习网络；改进Mask-RCNN可以识别无人机拍摄的未经训练的新的混凝土病害图像，识别精度满足实际工程需求。     

结合深度神经网络的高分辨遥感影像滑坡检测

利用遥感影像快速、高效地检测滑坡区域在抢险救援、风险评估等方面发挥着重要的作用。提出了多尺度特征融合的深度神经网络框架用于高分辨遥感影像滑坡自动检测。首先,该框架利用ResNet网络对遥感影像进行筛选,选出具有滑坡区域的候选影像。接着将含有滑坡区域的候选遥感影像输入到多尺度神经网络中对滑坡区域进行分割,从而精准地定位滑坡位置。利用开源数据集和自制数据集对模型进行了训练,并在都香高速公路沿线正射遥感影像上测试。结果表明,该方法在测试区域的滑坡检测总体精度为88.55%,召回率为85.52%。提出的深度神经网络框架能够提取不同尺度的滑坡区域,削弱了与滑坡无关因素的影响,有效提高了高分辨遥感影像滑坡检测的精度。     

基于CNN和LSTM融合特征提取的车内声品质评价模型研究

基于深度学习方法建立的车内声品质评价模型不需要高度依赖声学理论和经验知识，可以有效提取深层次特征，客观高效地获得符合主观感受的评价结果。为获取噪声中符合人耳对声音感受的频率信息，便于在深度学习中进行特征提取，采用对数梅尔频谱和时频遮掩相结合的方法对采集到的噪声样本进行预处理。为有效提取车内噪声深层次特征，融合卷积神经网络 （Convolution Neural Network，CNN） 和长短时记忆网络 （Long Short-Term Memory Network，LSTM） 各自的优点，建立了融合特征提取层。使用全连接和Softmax输出单元组合构建了分类器模块。在合适的超参数下，模型通过充足的训练获得了96.88%的训练准确度。使用大量样本对模型进行验证，得到93.69%的验证准确度；采用混淆矩阵对模型进一步验证，总体的预测评价等级与真实评价等级偏差不大，证明模型的预测结果与主观评价结果具有很好的一致性。     

山区公路冰雪灾害预警评估模型研究

利用主成分分析方法对山区公路雪灾因子进行分析,由此得知温度、湿度、降雪量和积雪日数是决定公路雪灾的主要因素。在此基础上,提出基于主因子的专家打分方法的山区公路冰雪灾害强度模型和预警评估模型。运用山区公路冰雪灾害强度模型和冰雪灾害强度分级标准,在预警评估模型的支持下对重庆地区的历史雪灾进行判别和归类,结果与实情基本吻合。     

面向自动驾驶的遥感影像路网检测方法

针对高分辨率遥感影像道路提取难度大、提取精度低的问题，提出了一种基于VGGU-Net++的遥感影像路网检测方法。首先基于VGGU-Net框架构建了编码器-解码器网络；其次，设计了一系列嵌套、密集的卷积块，用以缩小编码器与解码器特征映射之间的语义差距。节点之间利用跳跃连接填充了具有多个卷积层的密集卷积块，其层数取决于金字塔等级；并在2个卷积块之间设置1个串联层，该层将同一密集块前一个卷积层的输出和浅层的上采样输出进行特征图融合。同时，使用深监督策略保证网络模型的修剪程度和速度增益。在网络训练过程中，这种相似语义特征图的跳转连接可以简化优化操作，提高网络训练性能。最后，利用遥感影像开源数据集——马萨诸塞州数据集进行算法的测试与验证。结果表明，提出的VGGU-Net++网络与现有同类方法相比，获得了更好的性能表现，在精确率、召回率、F₁-score和I_oU方面分别达到了88.1%、87.1%、88.5%和77.9%，能够实现城市、山区、直线、弯曲道路场景高维、复杂、抽象特征的自动提取；此外，检测结果能够减少干扰，降低误检，保留更多道路细节信息，得到更加完整、清晰的路网检测效果。     

基于ST-GCAN模型的高速公路车辆速度预测方法

车辆速度是影响高速公路通行效率和安全的重要指标,因此实现对高速公路车辆速度的精准预测有助于减少交通事故进而提升交通智能管控服务水平。基于现有深度学习模型,研究了融合图卷积网络(convolutional neural network,GCN)、长短期记忆网络(long short-term memory network,LSTM)和注意力机制的车辆速度预测模型(ST-GCAN)：利用图卷积网络提取复杂高速路网的空间关联特征;使用长短期记忆网络提取车辆速度的历史数据间的时间关联特征;结合注意力机制聚集并分析车辆速度的历史数据和预测值之间的相关性。此外为保障预测模型网络信息完整并解决训练时协变量偏移问题,模型使用密集连接和层归一化技术以提升模型性能表现。利用青海省西宁市的高速公路车辆速度数据集开展实例分析,研究区域包括8个收费站共49条路段,时间跨度为2020年5月1日—8月31日,以小时为步长,共计94 777条数据。实验得到未来1小时高速公路车辆速度的预测效果：平均绝对误差(mean absolute error,MAE)为12.762,均方根误差(root mean square e...     

基于大规模浮动车数据的城市道路网复杂度分析

针对现有浮动车技术应用研究中缺乏道路网络复杂度的定量分析,引入置信点的概念,提出了一种基于大规模浮动车数据的城市路网复杂度分析方法.利用该方法统计了路网中各路段的置信点分布情况和置信点的平均匹配距离,建立了城市路网复杂度模型.结合浮动车数据的预处理,提出了城市路网复杂度的分析流程.以广州市为例,分析了广州市全局路网和4类典型城市道路代表路段的复杂度.对于地图匹配算法实证研究中的指定路径,具体分析了其各组成路段的复杂度及其主要影响因素.     

基于SPA-FAHP法的改扩建山区高速高边坡施工安全评估

为了更好地对山区高速改扩建过程中的高边坡工程进行安全风险控制,提出一种基于SPA-FAHP法的高边坡施工安全评估方法。首先针对改扩建山区高速高边坡的工程特点,建立多层评估指标体系并确定各指标的分级标准;然后在考虑误差传递的基础上利用模糊层次分析(FAHP)法计算各评估指标的权重区间,利用集对分析(SPA)方法将区间权重转换成精确权重值;最后,根据SPA理论建立基于多元联系数的改扩建山区高速高边坡施工安全评估模型。将该评估模型运用到工程实例中,证明该方法可以科学有效地指导改扩建山区高速高边坡的施工安全评估。     

基于深度置信网络的多源信息前方车辆检测EI北大核心CSCD

本文中以深度置信网络为理论基础,提出了一种多源信息的前方车辆检测方法。首先将毫米波雷达和摄像机进行联合标定,确定两个传感器坐标系之间的转化关系。然后通过对毫米波雷达数据进行预处理完成前方障碍物的标签分类,获得前方车辆目标和其他类障碍物的数据。接着利用深度置信网络对数据进行训练,完成前方车辆的初识别。最终根据常见车型宽度和高度的统计数据获得前方车辆识别的验证窗口。实验结果表明,采用所提出方法前方车辆识别的正确率为91.2%,单帧图像的总处理时间为37ms,有效地提高了系统实时处理速度,尤其对阴天、夜间、轻雨或雾霾等恶劣的道路环境中的车辆有良好的检测效果,能满足汽车辅助驾驶对于准确性和稳定性的要求。     

基于深度置信网络的多源信息前方车辆检测

本文中以深度置信网络为理论基础,提出了一种多源信息的前方车辆检测方法。首先将毫米波雷达和摄像机进行联合标定,确定两个传感器坐标系之间的转化关系。然后通过对毫米波雷达数据进行预处理完成前方障碍物的标签分类,获得前方车辆目标和其他类障碍物的数据。接着利用深度置信网络对数据进行训练,完成前方车辆的初识别。最终根据常见车型宽度和高度的统计数据获得前方车辆识别的验证窗口。实验结果表明,采用所提出方法前方车辆识别的正确率为91.2%,单帧图像的总处理时间为37ms,有效地提高了系统实时处理速度,尤其对阴天、夜间、轻雨或雾霾等恶劣的道路环境中的车辆有良好的检测效果,能满足汽车辅助驾驶对于准确性和稳定性的要求。     

基于1DCNN与双通道信息融合的柴油发动机故障诊断

针对传统单通道振动信号诊断方法只能采集部分信息用于局部诊断,而多通道信号融合权重确定困难、实时性差的问题,提出一种基于深度一维卷积神经网络(One-dimensional Deep Convolutional Neural Network,1DCNN)与双通道信息融合的柴油发动机故障诊断方法.通过搭建柴油发动机预置故障试验台,将传感器配置于发动机不同位置以采集发动机运行过程中的双通道故障信号,分别提取振动信号中的最大值、最小值、峰峰值、均值、整流平均值、方差、标准差、峭度等14个特征,构建特征集矩阵并利用主成分分析(Principal Component Analy-sis,PCA)进行特征融合,输入深度一维卷积神经网络,实现对发动机不同故障状态的诊断.试验结果表明,该方法可以有效识别发动机不同的故障状态,与单通道信号诊断相比,所提出的双通道信息融合方法在发动机故障诊断中具有更好的效果.     

基于图时空神经网络的多充电站负荷协同预测方法

针对传统充电站负荷预测方法只能实现对单一站点预测的问题，提出一种基于图时空神经网络 （Graph Spatiotemporal Neural Network， GSTNN） 模型的多充电站负荷协同预测方法。定义时空信息图，描述充电站负荷之间的时空关系；构建时空特征提取网络，分别利用图卷积神经网络和门控序列卷积网络提取信息图的空间和时间维度信息，并使用长短期记忆网络 （Long Short Term Memory Networks，LSTM） 挖掘影响负荷预测的外部特征信息；融合提取的所有特征，进行负荷预测。算例结果表明，基于 GSTNN模型的方法能充分考虑时空特征和外部特征的影响，协同多个充电站的负荷数据进行预测，并同时输出各充电站的预测结果，有效提高预测准确度，有助于电网稳定运行。     

基于深度可分离卷积和多级特征金字塔网络的行人检测

为提高行人检测的准确率,提出一种基于卷积神经网络的行人检测方法。该方法以YOLOv3-tiny算法为基础,在骨干网络部分,用深度可分离卷积的网络结构代替原卷积网络结构,加深网络深度。在检测部分,提出一种改进的多级特征金字塔网络,该网络由8个结构相同的使用深度可分离卷积的特征金字塔组成,特征金字塔之间串联连接,将不同金字塔得到的相同尺寸的特征进行融合,利用融合后的特征金字塔进行检测。在Caltech Pedestrian数据集上进行测试。结果表明:该方法的漏检率为57.83%,比梯度方向直方图(HOG)方法低32.53%,比基于深度学习的方法SA Fast-RCNN和MS-CNN分别低4.67%、3.21%;运行速度为34 ms/帧。因而,该方法满足了实时性要求。