基于多模式弱分类器的AdaBoost-Bagging车辆检测算法

针对现有车辆检测算法在实际复杂道路情况下对车辆有效检测率不高的问题, 提出了融合多模式弱分类器, 并以AdaBoost-Bagging集成为强分类器的车辆检测算法。结合判别式模型善于利用较多的特征形成较好决策边界和生成式模型善于利用较少的特征排除大量负样本的优点, 以Haar特征训练判别式弱分类器, 以HOG特征训练生成式弱分类器, 以AdaBoost算法为桥梁, 采用泛化能力强的Bagging学习器集成算法得到AdaBoost-Bagging强分类器, 利用Caltech1999数据库和实际道路图像对检测算法进行了验证。验证结果表明: 相比于单模式弱分类器, AdaBoostBagging强分类器在分类能力和处理时间上均具有优越性, 表现为较高的检测率与较低的误检率, 分别为95.7%、0.000 27%, 每帧图像的检测时间较少, 为25ms; 与传统级联AdaBoost分类器相比, AdaBoost-Bagging强分类器虽然增加了12%的检测时间和30%的训练时间, 但检测率提升了1.8%, 误检率降低了0.000 06%;本文算法的检测性能显著优于基于Haar特征的AdaBoost分类器算法、基于HOG特征的SVM分类器算法、基于HOG特征的DPM分类器算法, 具有较佳的车辆检测效果。     

气垫船碰撞冲击动力学响应三维数值模拟

基于有限元法建立气垫船碰撞数值模型,选取适合于气垫船碰撞的主从面接触算法,模拟气垫船在进、出坞时与舱口栏杆及舱壁碰撞的整个过程。由于气垫船质量与母舰相比极小,因此忽略其对母舰运动的影响,将舱壁及舱口围壁简化为刚性结构。在此基础上,分析气垫船与刚性平面及刚性曲面碰撞过程中的变形损伤、重心位移、重心速度及碰撞力的大小。分析结果表明,气垫船的碰撞过程分为弹性和塑性2个阶段,在塑性阶段产生的损伤具有局部性,且气垫船与曲面碰撞时更易产生横向摆动。

     

高精度快速非线性离散跟踪微分器

针对船舶在海上作业时动力定位控制系统需要精准定位的问题,提出基于改进跟踪微分器的自抗扰控制器,解决线性自抗扰控制器由于省略跟踪微分器而降低系统动态性能的问题。结合线性与非线性跟踪微分器的优点,设计能够较好跟踪微分信号,且能降低噪声对系统影响的改进跟踪微分器,从而构成新型线性自抗扰控制器。仿真实验结果表明,相比于传统的线性自抗扰控制器,基于改进跟踪微分器的LADRC有较强的鲁棒性和自适应性,且超调小、响应快、抗扰能力强。     

遗传粒子群优化算法在船舶动力定位控制中的应用

针对船舶动力定位系统精确定点控制的问题,结合遗传算法（GA）独特的选择交叉变异功能和粒子群优化算法（PSO）较好的记忆功能等优点,提出了遗传粒子群（GAPSO）算法,并应用到最优控制性能指标加权矩阵的权重系数选择中。通过1艘海工多用途动力定位船舶定点控制仿真实验,使船舶纵荡和横荡的位置及艏摇角都逐渐保持在期望值,且所有输出值都收敛有界,结果与传统最优控制相比,遗传粒子群算法在最优控制中更具有效性及较好的寻优性能,有益于船舶工程的应用。     

移动线载荷板局部非线性响应的网格重划分数值方法

在船舶建造中,常涉及板的焊接、线加热、局部滚压成型等加工方式。该加工方式中的载荷作用区域相对于板的尺度较窄且具有高度的非线性特征,同时载荷稳定移动。把握加工参数与响应的关系在加工过程中很重要。由于载荷移动导致板局部非线性响应的特性不断随之变化,故其相应的计算非常复杂。常规的数值方法是主要采用的手段,但由于该方法在载荷全局作用区域上需预先将网格细密划分,导致计算效率低下。如果考虑到在该加工方式中载荷作用区域之外的大部分区域处于弱非线性或线弹性状态,在数值模拟中将载荷当前作用区域的单元划分细密,远离载荷作用区域划分得相对较粗疏,同时载荷移动时细密网格随着载荷一起移动,即采用网格重划分数值方法来分析上述问题就能节省大量计算时间。针对该方法,重点探究细密网格尺寸以及网格重划分频度对数值计算的影响及其与计算效率和精度的关系,并以板局部滚压成型加工为例进行数值计算。结果表明,该方法可作为移动载荷作用下板局部非线性响应的一种高效的计算手段。     

城市道路环境中驾驶员眼动行为特征

在真实城市道路环境中进行实车试验,运用EyeLink Ⅱ型眼动仪对驾驶员眼睛运动进行了监测记录,统计分析了眼动行为的5个主要表征参数.结果表明:在城市交通环境中,驾驶员大约80%的单次注视持续时间在0~300 ms之间,73.5%的扫视幅度小于3°,85%以上的扫视速度在0~100°/s之间;驾驶员的水平注视位置以中部区域为主,但更多关注左侧交通流和交通设施,垂直注视位置以中部偏下区域为主,主要关注车辆前方中近距离;驾驶员单次注视持续时间呈近似对数正态分布,扫视幅度呈近似指数分布,扫视速度呈近似对数正态分布.     

高加速寿命试验下的干式离合器半联动热稳定性

针对干式离合器在半联动操作中的热失效问题, 研究了半联动过程中离合器的热稳定性。基于离合器半联动操作过程中的滑摩功, 得到了影响热稳定性的关键变量, 包括摩擦片轴向压力、相对滑磨转速和滑磨持续时间。结合干式离合器热模型和高加速寿命试验, 设计了强化加载剖面, 验证了摩擦片热模型的循环强化加载试验效果。为了分析高加速寿命试验下不同变量对热稳定性的影响程度, 通过正交试验和极差分析法, 研究了关键变量对摩擦片最高热点温度的影响。研究结果表明: 按影响程度由大到小排序, 3个关键变量依次为相对滑磨转速、滑磨持续时间和摩擦片轴向压力; 当发动机转速较低, 约为1 000 r·min^-1时, 热点温度始终保持在200℃以下的安全温度, 当发动机转速超过1 500 r·min^-1, 轴向压力超过2.0 kN, 滑磨持续时间超过8 s后, 热点温度将超过200℃的安全温度; 采取合适的半联动操作组合, 例如控制发动机的转速与频繁半联动操作的累计时间, 可以有效防止摩擦片热失效的发生。     

基于改进型D3QN深度强化学习的铁路智能选线方法

传统的人工选线方法劳动强度大,设计效率低,随着我国铁路建设重心向西部复杂艰险山区转移,人工选线面临的困难日趋凸显。为缩减铁路选线的人力物力成本,提高设计效率,亟需发展结合了人工智能和信息技术的现代选线技术。为此,提出一种基于深度强化学习理论的铁路智能选线方法。以带有空间属性信息的数字高程模型为选线环境,以相邻空间点间的建造费用为即时奖励,以工程建造费用最小为优化目标,设置离散化的备选动作,考虑多种约束条件,构建面向铁路选线的深度强化学习模型。结合深度学习的感知能力和强化学习的决策能力,利用双竞争深度Q学习网络(DuelingDouble-Deep Q Network,D3QN)对模型进行训练,既克服强化学习问题对复杂状态和动作空间难以收敛的缺点,同时解决了传统DQN算法易于出现过估计、训练不稳定的问题,实现自动对选线环境进行感知、搜索、判断、决策,最终寻得目标函数最优的线路方案。以某山区铁路对本方法进行验证,实验结果表明：该方法能搜索到多样化的线路备选方案,可以为设计人员提供新的设计思路;有效降低了铁路建设的经济费用,较人工选线方案节约最多达17.5%。智能选线方法可以帮助节省选线工作...     

立管横流-顺流双向涡激振动数值预报方法

海洋立管涡激振动属于典型的流固耦合问题,涡激振动在横流及顺流方向上会同时发生并存在耦合效应。在以往的相关研究中,常忽略顺流向振动或将横流及顺流向振动响应间相互作用进行弱化。本文以顶张式立管为研究对象,基于圆柱体双自由度受迫振动试验数据,使用有限元方法和能量平衡方程建立涡激振动频域预报模型。该数值模型能够同时得到立管在横流及顺流方向涡激振动响应特性。通过与均匀流、阶梯流和剪切流3种不同类型来流工况下顶张式立管自激振动实验数据进行对比,验证了数值模型的有效性。该预报方法可为深入理解海洋立管涡激振动问题提供一定的参考。     

基于LBP算子的路面类型识别研究

不同的路面类型会对车辆的制动、加速、变道等决策产生不同影响,因此实时获取路面类型信息对于提高智能汽车的安全性、舒适性等有着重要意义。论文提出一种基于LBP算子的路面类型识别方法,首先采集了四种车辆行驶常见路面的图像信息,并对图像进行了增广处理;然后使用LBP算子提取出路面图像的纹理特征,再采用PCA方式对纹理特征进行降维;最后通过分类器对数据进行训练与分类。实验结果表明该方法的最高分类准确率可以达到98.5%,有效提升了当前路面类型识别的精度。