基于Q学习算法的城轨列车智能控制策略

牵引能耗是列车能耗的主要组成部分,针对城轨列车节能运行的问题,将列车运行状态离散化,以列车对速度控制作为动作空间,时间和能耗作为奖励函数,提出一种基于Q学习算法的城轨列车智能控制策略.在不使用离线优化速度曲线的情况下,根据列车当前位置和速度实时计算最优控制策略;同时,在传统Q学习基础上,将∈-greedy策略与司机驾驶...     

Image segmentation based on competitive learning

lmage segment is a primat.‘y step in image analysis of unexploded ordnance (UXO) detection by ground penetrating radar (GPR) sensor which is accompanied with a lot of noises and other elements that affect the recognition of real target size. In this paper we bring forward a new theory, that is, we look the weight sets as target vector sets which is the new cues in semi-automatic segmentation to form the final image segmentation. The experiment results show that the measure size of target with our method is much smaller than the size with other methods and close to the real size of target.     

基于时空注意力卷积神经网络的交通流量预测

为充分挖掘交通流量的复杂时空动态相关性以提高交通流量预测精度,引入空间注意力机制与膨胀因果卷积神经网络,提出一种基于时空注意力卷积神经网络的交通流量预测模型（spatio-temporal attention convolutional neural network,STACNN）.首先,由膨胀因果卷积与门控单元构建的门控时间卷积网络模块用于获取交通流量的非线性时间动态相关性,避免在训练长时间序列时发生梯度消失或梯度爆炸;其次,采用空间注意力机制为路网中的交通传感器节点自动分配注意力权重,动态关注不相邻节点之间的空间关系,并结合图卷积神经网络提取路网的局部空间动态相关性特征;然后,通过全连接层获取最终的交通流量预测结果;最后,利用高速公路交通数据集PEMSD4、PEMSD8进行了60 min的交通流量预测实验.实验结果表明：与基线模型中具有良好性能的时空图卷积网络（spatio-temporal graph convolutional network,STGCN）模型相比,提出的STACNN模型预测结果的平均绝对误差（mean absolute error,MAE）在两个数据集上分别提...     

基于多任务学习和层次分析法的公路隧道支护方案优化设计

为提升公路隧道施工过程中支护的实时性和合理性, 以浙江省龙丽温高速的围岩地质特征和支护方案为研究背景。 分析围岩特征与支护参数的相关性, 确定了以围岩风化程度、 坚硬程度、 岩体完整程度、 地下水状态、 围岩稳定情况为输入围岩特征, 锚杆间排距、 锚杆长度、 喷混凝土厚度、 钢拱架型号为输出支护参数的多任务学习模型结构。 针对多任务学习模型获得的预测支护参数, 通过层次分析法评价预测支护参数中部分强于实际支护参数, 部分弱于实际的支护设计, 结果表明预测支护参数综合得分高于实际支护参数。 研究成果为实现公路隧道快速支护方案选型和评估提供了指导。     

舰载云图像识别性能研究

深度学习的兴起促进了各个电子科技行业的迅速发展,军事科学的智能应用也得到了极大的推广。舰载云环境基于单只舰船,为舰载智能应用提供算力、网络资源和存储支持。深度学习任务依赖强大的计算资源,相同的智能模型在不同的计算平台中性能可能出现巨大差异。在自主可控的大背景下,本文基于深度学习中的典型图像识别任务,对比使用国产和商用计算平台中舰载云上不同配置的虚拟机的表现性能。一方面,分析不同的虚拟机配置与表现性能的关系;另一方面,对比商用及国产平台的性能差距,为舰载云智能化的大规模应用提供理论支撑。     

基于4C/ID模型与慕课引导的新型混合式教学模式研究——以“集装箱配载”模块为例

通过运用4C/ID模型并结合慕课教学创建新型的混合式教学模式,将模块化的任务目标引入整体的学习任务中,解决了当前船舶原理与货运课程中存在的学习内容碎片化、学生动手能力弱、学生学习态度被动等问题。以“集装箱配载”模块为例,基于4C/ID模型进行教学设计,提高学生的学习效率,加深学生的学习效果。     

深度学习的车道线检测方法

随着人工智能技术的不断发展,无人驾驶技术已经成为当下社会发展的热门,车道线检测是无人驾驶技术的关键一环,但传统的基于视觉的车道线检测方法处理时间较长、过程繁琐、需要人为干预。基于深度学习的车道线检测可大大减少此类问题。文章设计了一个完成双任务的Enet网络,分别解决目标区域分割问题和不同车道区分问题,以实现端到端的检测。与主流车道线检测网络模型deeplab v3和YOLO v3进行对比。实验验证表明,网络模型的最终训练准确率为99.8%,相对于deeplab v3和YOLO v3网络分别提升1.2%和0.8%。     

研究性学习在英语教学中的探索

研究性学习是一种新的学习方式,它鼓励学生在学习过程中运用所学知识和技能亲自去体验和实践,进行创造性、发现性的学习,从而提高综合运用所学知识解决实际问题的能力．文章提出在大学美语教学中,更要充分发挥研究性学习的特点,提高学生的英语综合运用能力．     

基于相机与激光雷达融合多目标检测算法研究

准确的多目标感知系统是自动驾驶技术的关键。本文提出了一种基于相机与激光雷达融合的多目标检测算法。针对相机传感器无法获得准确的目标距离等深度信息,激光雷达无法获得准确的目标类别信息的问题,首先采用嵌入自适应特征融合模块的YOLOv7网络处理相机数据,同时对激光雷达数据进行点云预处理以消除无用的噪声点;其次,利用坐标变换将激光点云数据和相机数据转换到像素坐标系中;最后,采用基于ROI感兴趣区域的方法对点云进行聚类处理,以参数加权的方式融合两种传感器的检测结果。实验结果表明,嵌入改进YOLOv7网络的融合算法能够检测出更加准确的目标信息。     

深度学习在激光熔覆领域的发展与应用

介绍激光熔覆的基本原理、应用领域和深度学习模型的发展状况,阐述深度学习在激光熔覆领域的应用。深度学习利用神经网络模型监控激光熔覆过程,在熔覆工艺参数优化和熔覆过程质量控制等方面具有较好优势,可有效提升激光熔覆过程的精度和稳定性。