基于Q-learning和BP神经元网络的交叉口信号灯控制

解决单交叉口信号灯最优控制问题。提出了基于强化学习的信号灯控制系统结构,应用强化学习中Q学习,将信号灯最优控制问题转变成是否切换运行相位的决策问题,提出了采用BP神经元网络实现Q学习的信号灯控制系统。应用微观交通仿真软件PARAMICS进行仿真分析,结果表明该系统能够感知交通流变化,并能够自适应地调整信号灯切换策略,以达到最优的控制效果,该方法是可行的,与定时控制相比具有明显的优势。     

无钥匙进入启动系统介绍

无钥匙进入与启动系统在新车型无线进入应心中正迅速地成为主流和通用的方案选择.相对于通过按遥控钥匙去控制车门的开与关和通过传统的钥匙去启动汽车,无钥匙进入与启动系统通过一个用户携带的智能钥匙提高了用户的舒适性和安全性.     

基于计算流体动力学的最小阻力船型自动优化

基于计算流体动力学(CFD)理论,利用iSIGHT 优化设计平台构建一种船型自动优化方法。该方法集成船型变换及自动生成技术、CFD 技术及优化算法。优化过程中,编制船型参数化融合模块实现船型变换与SHIPFLOW软件输入数据间的自动连接;采用遗传算法与二次序列规划法相结合的组合优化方法实现从全局探索再到局部空间寻优的整个流程。以某双艉集装箱船为例,优化后船体兴波阻力明显下降,总阻力也得到显著的改善,获得了设计航速下总阻力最小的船艏与船艉线型组合,表明了该方法的可行性与有效性。研究显示,所提出的方法可以获得阻力性能优良的船体型线供设计者参考,具有较强的工程适用性,在基于CFD的船型自动优化方面具有广阔的应用前景。

     

基于船种聚类的航道通过能力量化方法

为准确计算航道通过能力,针对单双向通航方式并存的混合通航航道,建立了基于船种聚类的航道通过能力量化模型.根据海港航道通航管理规则,对不同船舶种类进行分类,通过聚类算法确定船舶种类特征及其分布概率.与传统航道通过能力计算方法相比,对不同种类船舶所占航道资源分别附以不同权重,同时考虑船舶通航方式改变对航道通过能力的影响,能够更加准确地量化航道通过能力.应用天津港大沽沙航道数据进行了实例分析,目前航道实际月通过船舶约为1 905艘次,计算得到大沽沙航道月通过能力为2 350艘次,并且与港口公共混合通航航道通过能力计算结果4 455艘次/月相对比,前者的结果更符合实际情况,后者的结果明显大于实际航道通过能力.结果表明,基于船种聚类的航道通过能力量化方法能更加准确地反映航道实际情况.     

公交客车分区域站立密度分布特征

为分析公交客车车厢内站立密度分布的不均匀性,通过调查西安7条线路平峰、高峰的客流量,提出了车厢内站立乘客流的变化特征.基于不同座椅布置模式,分析了不均匀性的起因、分布特征及相互间的关联性,确定了各特征区间内的最大站立密度区域,分析了在乘客选择站立区域的倾向性.结果表明,第一次驻足在B区域和C区域的选择倾向性比重占93.23%;当车厢平均站立密度ρ超过6人/m2时,"轴距1+1后通道1+1"和"轴距1+1后通道2+2"座椅布置的最大站立密度区域分别是B区域和C区域;选择C区域站立的倾向性比重在车厢内站立密度ρ不超过2人/m2时降幅明显,当乘客选择倾向性比重降至40% 后降幅趋缓.     

座椅布置选型对公交客车站立密度的影响

为选取合适的公交客车座椅布置匹配公交线路,阐述了公交客车站立密度的调查方法,提出了公交客车站立密度和调度发班间隔的计算模型,通过参照轨道交通设计规范的站立密度阈值范围规定,分析了所调查的7条线路站立密度分布的合理性和变化特征.通过不同发班间隔和座椅布置来适配固定客流,分析了站立密度随发班间隔和座椅布置变化的分布规律,建立了站立密度适应系数计算模型并分析了模型的数理特征,对比了不同座椅布置车辆适配平峰客流后的适应状况.结果表明,"轴距1+1 ,后通道2+2"能够较多地释放出有效站立空间,5人/m2以上的站间数比重最小,体现了收敛状态,能在满足较短站立时间的同时使乘客能够获得座位的几率增大.     

降低交通排放的干线协调信号控制优化方法

为降低干线道路系统的交通排放量,基于机动车比功率改进红绿灯期间排放因子的标定方法,进而以相位有效绿灯时间为决策变量,构建使机动车排放总量最小化的干线交叉口群时空资源优化模型.分析相邻交叉口间车队延误与相位差的关系,改进以车队延误最小为目标的相位差优化模型.为验证模型,设计一个案例,根据传统方法获得参考配时方案,借助Vissim软件标定红绿灯期间的排放因子,并使用所提方法获得优化配时方案.结果显示,每种污染物绿灯期间的排放因子均明显高于红灯期间;与参考配时方案相比,优化配时方案下各交叉口车辆延误和排放量均减少8~11%.所提模型能同时降低干线交叉口群的车辆延误和交通排放量,可用于优化干线协调信号控制方案,进而缓解交通拥堵.     

定位误差影响下的配对进近纵向碰撞风险研究

近距平行跑道（closely spaced parallel runways,CSPRs）配对进近纵向碰撞风险研究对评估配对进近程序的安全性至关重要,其中定位误差又直接影响配对进近纵向碰撞风险。针对以往研究中缺乏对定位误差分布的实际数据的拟合,进行基于实际数据拟合的定位误差影响下的配对进近纵向碰撞风险研究。根据配对进近的实施流程,建立配对前后机纵向间隔随时间变化的运动学模型。对于飞行过程中定位误差,采用实际航空器定位误差统计数据拟合定位误差分布。基于广播式自动相关监视（ADS-B）数据,对航空器最后进近阶段的纵向定位误差进行拟合分析,匹配出适配程度最佳的分布——正态分布。分别研究配对2架飞机机身之间的碰撞风险和前机尾流与后机机身之间的碰撞风险,确定每类碰撞风险模型中积分区间上下限。在正态分布的基础上结合配对进近2架飞机的运动过程,建立配对进近纵向碰撞风险评估模型。收集2020年12月上海虹桥机场B737-800机型相关参数数据并进行算例分析,对给定初始纵向间隔分别为926 m和2 778 m时,机身碰撞风险（P_x1）和尾流碰撞风险（P_x2）随时间的变化进行计算仿真,同时进一步仿真分析不同起始纵向间隔与P_x1,P_x2以及总体纵向碰撞风险最值之间的关系。结果表明：①初始纵向间隔为926 m时,随着时间的增长,P_x1逐渐减小,P_x2逐渐增大,且P_x1远大于P_x2;②初始纵向间隔为2 778 m时,结果相反;③ P_x1随初始纵向间隔的增加逐渐减小;④ P_x2随初始纵向间隔的增加逐渐增大;⑤前后机的总体纵向碰撞风险随初始纵向间隔的增加有先减小后增大的规律,当初始纵向间隔小于2 136 m时纵向碰撞风险主要取决于前后2架飞机机身在纵向上的碰撞风险,反之则取决于前机尾流与后机机身之间的碰撞风险。     

小样本下基于迁移学习与LSTM的雾天高速公路车辆跟驰模型

由于在现实生活中能够采集到的不同雾天等级的高速公路车辆跟驰样本有限,导致雾天跟驰模型精度不佳,为此在长短时记忆神经网络（long short-term memory,LSTM）跟驰模型的基础上,采用迁移学习（transfer learning,TL）方法来提升雾天跟驰模型的性能。利用驾驶模拟实验平台搭建高速公路雾天与正常天气2种实验场景进行驾驶模拟实验,获得296组正常天气下（源域）的跟驰样本与100组雾天下（目标域）的跟驰样本。提出了基于最长公共子序列（longest common sequence solution,LCSS）的迁移样本选择方法,从源域中选出100个样本迁移至目标域中,通过扩大训练样本提升LSTM从源域、目标域特征到目标域输出的端对端泛化学习能力,得到雾天高速公路车辆跟驰模型。为对比所提样本迁移方法对LSTM模型的效用,将LSTM-TL模型与训练样本全部来源于源域的LSTM-S模型和训练样本全部来源于目标域的LSTM-T模型进行对比,LSTM-TL模型的均方误差、均方根误差和平均绝对误差比LSTM-S模型分别减小47.5%、27.7%和46.5%,比LSTM-T模型减小31.1%、17.0%和29.9%。为对比不同模型在仅有100组目标域样本时的性能,将LSTM-TL模型与Gipps、IDM、BP这3个模型进行对比,LSTM-TL模型的均方误差、均方根误差和平均绝对误差比3个模型中表现最优的Gipps模型减小18.5%、8.0%和25.9%。结果表明：直接将LSTM-S模型应用于目标域的预测,其精度不高,采用样本迁移合理可行;LCSS方法对源域样本筛选有效,由100个源域样本迁移到目标域训练得到的LSTM-TL模型的精度最高;在小样本情况下,拥有较少参数的Gipps模型预测精度优于LSTM-T或LSTM-S模型,但由于迁移学习能够从源域样本中获取知识的特性,LSTM-TL模型有着最高的精度。     

基于贝叶斯网络的舰用汽轮滑油泵可靠性定量分析

针对舰用主滑油系统汽轮滑油泵装置,系统研究其结构功能关系及典型的故障模式。基于系统3种典型故障的FTA模型,建立相应的贝叶斯网络模型进行可靠性定量分析。考虑到系统中存在的固有不确定性因素,对模型的条件概率进行合理修正,提高可靠性分析的准确性。运用贝叶斯网络精确推理算法,得出系统可靠性指标和模型中底事件的概率重要度。根据计算结果,分析得到影响系统可靠性较大的关键部件,这些部件需要加强备份和重点监控。