在役混凝土桥梁非平稳抗力劣化模型建立与更新

为建立在役混凝土桥梁结构构件非平稳随机抗力劣化模型,并通过后验更新解决劣化模型与实际结构劣化特征的匹配问题,首先,联系在役混凝土桥梁结构实际劣化特征,基于Gamma随机过程推导并建立了初始抗力劣化模型,对初始模型所存在的问题进行探讨;其次,以初始模型吸收融合结构近期实际劣化状态为原则,以结构特定时刻劣化状态的确定为基础,构建了初始抗力劣化模型的后验更新流程;再次,联合非确定性层次分析法（NAHP）与实数遗传算法（RGA）建立了基于定期外观检测数据的特定时刻抗力劣化系数评定方法,为确保该评定方法为初始抗力劣化模型更新提供准确可靠的劣化数据,采用室内模型梁加载试验对所建立评定方法的准确性、适用性进行验证;最后,以一座在役25年的混凝土桥梁为例,基于所建立的分析方法框架,阐述了其一片内梁抗弯承载力劣化模型的建立与后验更新过程。结果发现：基于特定时刻抗力劣化系数评定方法所得到的劣化系数分析结果与试验值的误差介于2.83%~6.24%之间,由该方法所得到的特定时刻抗力劣化系数可应用于初始劣化模型的后验与更新,经过初始劣化模型的后验与更新,所得到的后验模型由于吸收了结构近期的实际劣化状态,在抗力劣化进程描述方面较初始模型具有更高的准确性和更好的匹配性。     

增程式混合动力汽车的分段式能量管理策略研究

分析了增程式混合动力汽车的开关式能量管理策略,提出了一种兼顾提高发动机效率和减少充放电损失的分段式能量管理策略。为进一步降低油耗,在分段式策略基础上引入自学习算法,自动在线调整分段式控制阈值。建立混合动力汽车仿真模型,对开关式能量管理策略和分段式能量管理策略进行了仿真比较,同时对具有自学习功能的分段式能量管理策略进行了仿真分析。某车型的仿真研究案例表明,与开关式策略相比,分段式能量管理策略能使油耗降低3.2%,自学习策略则在充电周期内路线较为固定的情况下可以自动调节到最优的控制阈值。     

考虑驾驶风格的智能车自主驾驶决策方法

为了提升智能车类人驾驶水平,提供符合驾乘者驾驶习惯的个性化驾驶服务,改进了DDPG算法并设计智能车驾驶决策系统,学习不同风格的个性化驾驶策略.招募20位驾驶人参加基于仿真平台的模拟驾驶实验,采集驾驶数据.运用相关性检验方法选择个性化驾驶评价指标,使用K-means聚类方法将驾驶风格进行分类.在基础DDPG算法的输出部分加入线性变换过程,形成改进的个性化驾驶决策学习算法,进而构建个性化自主驾驶系统,以3种驾驶风格作为学习目标,调节线性变换参数,在线训练并测试算法.结果表明,提出的方法比基础算法收敛速度提升21.3%.算法在测试场景中,保持了高于驾驶人的横向控制水平,车道偏移量下降73.0%,且驾驶的车辆未与道路外侧护栏发生碰撞.聚类结果显示,算法通过调节线性变换参数,能够有效学习不同的驾驶风格.      

轮机工程专业“课程思政+混合式学习”专业课教学设计--以“船舶动力装置技术管理”课程为例

以轮机工程专业的主干专业课"船舶动力装置技术管理"为例,以立德树人作为课程教学的根本任务,充分挖掘课程中的思政资源,以线上和线下相结合的混合式学习方法为手段,建立了一套专业课课程思政混合式学习设计方案,将课程思政有机地融入专业课教学全过程,通过课程实践,验证了课程思政教学效果,实现了专业课隐性思政教育的目标。     

数字交通

1.4万名驾驶人申请网上"学法减分"按照公安部统一部署,3月1日,试点机动车检验标志电子化、接受教育减免交通违法记分、提供交通事故处理进度和结果网上査询3项公安交管改革便民利企新措施顺利启动。3月1日起,重庆、四川、广东深圳试点实施接受交通安全教育减免交通违法记分(简称“学法减分”)改革措施,发挥交通违法记分制度教育引导、鼓励守法的正向激励作用,推动提升驾驶人交通安全意识。试点首日,三地共有1.4万名驾驶人通过互联网学法减分系统申请网上学习,其中有4000多名驾驶人完成了学习考试,减免了交通违法记分。     

评析马克思对学习外语的建议

按照马克思的观点,一个人要想学好外语,必须把自己的母语忘掉。很多学生也把没有学好外语归咎于没有把本族语忘掉。等者认为,把忘掉母语看成是学习外语的一种方法的观点是错误的,是本未倒置的。因为,忘掉自己的母语是不可能的,也是没有必要的。而且,所谓忘掉自己的母语也即用目标语进行思维。但是,目标语进行思维是一种结果,而不是一种手段。     

新型高速数据采集方法研究

在系统分析双口RAM结构特点基础上,提出一种新型高速数据采集技术--在板RAM快进慢出,先进先出.     

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。     

基于深度学习的交通信号灯实时决策研究

为有效缓解城市交通压力,提升交通信号控制的智慧化水平,提出一种基于图像识别并融合深度学习的多交叉口交通信号灯实时决策模型方法。采用图像识别的方法判别拥堵状态,搭建区域多交叉口交通信号灯实时决策模型,以总调度期内通行评分最高为目标函数构建深度学习网络;采用机器学习思想优化决策方案,通过预训练增加决策方案容量并缩短现场决策时间,达到实时决策的目的;将研究模型应用于湖北省武汉市武昌区中山路路段,并进行模型论证和结果分析。研究结果表明,所提出的模型方法能有效解决区域多交叉口交通信号灯联合调度问题,可为交通管理者提供更合理的决策方案。     

众筹发起人的经验学习机制：基于Indiegogo的实证研究

经验对众筹成功具有重要作用,但其内在作用机理尚不明确.为探讨众筹发起人的经验学习机制,以连续发起人为研究对象,构建不同理论模型,通过实证分析的方法对学习机制予以验证和修正,再划分出成功组和失败组,分别探索直接经验和间接经验的作用效果.结果表明：发起人的经验学习过程并非连续,经验发挥作用需要过程,符合“量变引起质变”的规律;成功组和失败组尝试次数相当,但二者学习机制明显不同,且这种差异在早期即可区分;直接经验和间接经验的作用效果均可以通过提高绩效及提升效率两方面得以体现,二者相互补充,共同助力于发起人的能力提升,从而打开了经验学习机制的“黑箱”,深化了对经验作用方式的理解,对发起人和众筹平台具有一定的实践指导意义.