基于改进 BiLSTM 网络的地铁车轮磨耗预测模型

针对地铁车轮磨耗数据时间跨度较长引起的长期依赖问题,为了进一步提升预测精度,提出一种将麻雀搜索算法(sparrow search algorithm,SSA)优化双向长短期记忆网络(bidirectional long short term memory,BiLSTM)的改进 BiLSTM(SSA-BiLSTM)网络模型,用于地铁车轮磨耗预测。首先,利用麻雀搜索算法对双向长短期记忆网络算法的神经元个数、迭代次数、输入批量和学习率等超参数在给定范围内进行寻优,得到参数最优值;然后,以参数最优值来构建改进 BiLSTM 网络模型,对车轮磨耗进行预测分析;最后,以车轮踏面磨耗和轮缘磨耗作为研究对象,将某地铁 1 车厢 1 号车轮的现场实测历史磨耗数据作为输入,对该模型进行训练及验证分析,并与多层感知机(multilayer perceptron,MLP)、LSTM、BiLSTM 以及 SSA-LSTM 模型的预测结果进行对比。研究结果表明：SSA-Bi-LSTM 模型的车轮磨耗预测精度更高,与 LSTM、BiLSTM 以及 SSA-LSTM 网络模型相比,踏面磨耗的平均绝对百分误差(mean absolute percentage error,MAPE)分别降低了 13.28%、10.32%、1.47%,轮缘磨耗分别降低了 9.5%、0.46%、0.02%;分别对同一地铁 2 号、4 号车厢的 1 号位置车轮磨耗进行预测,并与磨耗实测数据进行对比,踏面磨耗的平均绝对百分比误差分别为 1.34%、1.42%,轮缘磨耗的平均绝对百分比误差分别为 0.18%、0.19%,验证了本文所提模型具有良好的泛化性,为地铁轮对智能化管理提供理论支持,延长车轮使用寿命。     

奔驰车系技术通报

通报一通告主旨:在长时间停放之后车身不水平(ABC系统)。故障原因:由于前桥(Y36／1)或后桥(Y36／2)阀体内部的锁止阀泄露或卡滞,导致车身水平出现一边倒的现象。涉及到的故障记忆如下:     

机器学习在磁记忆无损检测领域的应用及展望

磁记忆检测作为一种新兴的无损检测技术,具有快速、便捷地检测应力集中和微观缺陷的优点,而机器学习具有强大的学习能力和自适应能力,适用于磁记忆检测产生的大量非线性数据的处理。主要综述了机器学习算法在磁记忆无损检测领域的应用现状,考虑将机器学习应用于桥梁内部钢筋损伤的磁记忆检测当中,最终展望了机器学习在此领域的发展趋势。结果表明：以支持向量机、神经网络、聚类算法为代表的各种机器学习算法目前在磁记忆检测中得到了广泛应用,主要用于各类钢试件缺陷的损伤等级评估和缺陷尺寸反演,在桥梁钢筋损伤的磁记忆检测中尚无相关应用;单一算法具有较大的局限性,多种算法结合可以提高预测准确率;要实现磁记忆在桥梁结构内部钢筋损伤检测中的突破发展,需进一步考虑复杂结构和检测环境,结合机器学习算法建立各类影响因素与磁信号之间的关系模型,机器学习中的回归算法也可进一步应用到缺陷程度的评估当中。     

终结记忆 奔驰CLS63AMG

记忆中,CLS63AMG是一个狂妄的暴徒,性格野蛮、外表嚣张。而全新CLS63AMG却不再那样傲气凌人,它动力依然强大,而动态性能却变得更加贴近人心,让我对它留下了新的记忆。     

模特游天翼

潮湿的记忆自无从挖掘,潮湿记忆中的色彩却有据可寻。模拟沧桑已近眼前,似乎只有这可考的色彩相随最终。     

基于集合经验模态分解降噪和优化LSTM的道路交通事故预测

道路交通事故精准预测是有效提升交通安全的重要手段,由于事故数据经常呈现非线性、波动性、无周期性等特征,现有的算法存在预测效果不佳的问题。为此本文提出基于集合经验模态分解降噪算法(ensemble empirical mode decomposition,EEMD)和优化长短时记忆神经网络(long short-term memory,LSTM)的交通事故数量预测模型。在单一模型的基础上,引入降噪算法EEMD对噪声大的交通事故时间序列进行降噪处理,利用EEMD对事故时间序列进行分解得到多个子序列和1个残差项;基于粒子群优化算法(particle swarm optimization,PSO)优化LSTM网络结构参数,并在LSTM的最优网络结构下提取数据中的时间特征信息进行预测,对各子序列及残差的预测结果求和得到最终预测结果。研究结果表明：相对于EMD-PSO-LSTM,PSO-LSTM,EEMD-LSTM,LSTM这4个模型,EEMD-PSO-LSTM的预测效果最好,其对应的预测误差e_rmse分别降低了8.7%、48.3%、53.1%、57.6%,误差e_m...     

带有最优流量记忆时间差的一类新格子模型

为了分析最优流量记忆时间差对交通流稳定性的影响,本文基于考虑驾驶员估计得到的最优流量信息,同时考虑驾驶员在驾车过程中受到记忆时间的影响,给出了一类新的格子流体动力学模型.首先,基于线性稳定性理论,获得了新模型的稳定性条件;随后,通过非线性分析方法,给出该模型的mKdV方程;然后,基于求解上述方程所得到的扭结-反扭结孤立波可用于描述交通拥挤的转化和传播过程.最后,通过仿真算例验证了上述理论分析的结论,即驾驶员的记忆时间和最优流量记忆时间差能够显著影响交通流的稳定性,同时增大记忆时间步长和强度系数可以有效地增强交通流的稳定性.     

m阶非齐次马氏信源的一类Shannon-Mcmillan定理

采用构造相容分布与非负上鞅的方法研究了m阶马氏信源相对熵密度的强极限定理,由此得出若干马氏信源、无记忆信源的随机Shannon-Mcmillan定理.并将已有的马氏信源的结果加以推广.     

米非司酮改善不可预计性慢性应激所致大鼠学习和记忆功能损伤

目的探索米非司酮对不可预计性慢性应激(UCS)所致大鼠学习和记忆损伤的保护作用。方法雄性Wistar大鼠40只分为对照组、模型组、治疗组(分大、中、小剂量3组),每组8只。对照组不给予特殊处理;模型组给予21 d UCS;治疗组在给予UCS的同时,每天分别给予50、100、200 mg/kg的米非司酮。处理前后分别做电迷宫和物体识别实验,检测血促肾上腺皮质激素(ACTH)、皮质酮(CORT)浓度。结果处理前各组在电迷宫和物体识别实验中的指标无明显差异。处理后,模型组和小剂量治疗组的正确反应次数、辨别指数均明显降低且低于对照组(P<0.01);大、中剂量组较前变化不明显但显著高于模型组(P<0.01)。模型组和小剂量治疗组的总反应时间明显延长且长于对照组,但大、中剂量治疗组总反应时间延长不明显且明显短于模型组(P<0.01)。处理前各组血ACTH和CORT浓度无明显差异,处理后模型组和各治疗组均明显升高(P<0.01),且高于对照组(P<0.01)。结论米非司酮可在一定程度上拮抗UCS所致的大鼠学习和记忆损伤,并呈现出剂量依赖性。