深度学习的SAR图像海洋涡旋自动检测及其特征提取

本文针对SAR卫星遥感图像海洋涡旋自动检测问题,提出一种基于YOLOX高性能目标检测的海洋涡旋检测模型YOLOX-EDDY,该模型能够精准检测到亚中尺度海洋涡旋。根据SAR图像海洋涡旋的螺旋线形态,本文提出了涡旋中心位置、涡旋尺度和涡旋边缘位置等特征参数自动提取方法,实现了从海洋涡旋自动检测到涡旋特征信息提取的自动化处理。利用国家卫星海洋应用中心和中国资源卫星应用中心提供的高分三号卫星海洋涡旋SAR图像,构建SAR图像涡旋样本库,进行涡旋自动检测模型训练与验证、涡旋特征参数提取实验。实验表明,本文提出方法具有较强的泛化能力,能够实现海洋涡旋精准检测和涡旋特征参数提取。     

基于SVM-BP集成学习的舰船蒸汽动力系统故障诊断

传统故障诊断算法用于舰船蒸汽动力系统非均衡类样本问题存在准确率低且误分类的情况,本文提出一种基于支持向量机-BP神经网络集成学习的故障诊断模型。使用主层次分析法降低原始数据集的特征维度以改善数据量之间的冗余问题,然后设计3个并行的支持向量机分类器进行故障诊断,将分类器的结果数据融合作为BP神经网络的输入,进行二次诊断,得到最终的结果。用仿真平台采集的样本数据进行验证并重复运行30次获取结果,最终模型平均召回率为84%、平均准确率为95.04%。对比传统诊断算法及常用集成算法,该方法的准确率以及少数类样本的召回率明显高于其他诊断方法。     

基于残差增强门控循环神经网络的交通流量预测技术研究

随着近年来智慧城市轨道交通的快速发展和普遍应用,交通流量预测成为智慧城市轨道交通的关键性问题,对及时掌握交通状况、进行合理的资源配置和人力部署起着重要作用。文章以实现大规模交通网络的交通流量准确预测为目标,研究并设计一种基于残差增强门控循环单元的深度学习网络模型。在基本门控循环单元的基础上,引入残差连接思想,通过在门控循环单元的迭代回路之间增加线性连接,捕获数据中的长期时间依赖关系,同时克服循环神经网络在进行长期时间序列预测中的梯度消失或梯度爆炸问题。使用4个在真实交通网络中采集的大规模交通数据集对所提算法进行测试,分别从定量和定性的角度比较并验证所提算法的有效性。实验结果表明该算法能够使用前1h的历史数据、对大规模交通网络中各交通枢纽节点未来1h的交通状况进行较准确的交通流量预测,证明使用残差增强门控循环网络进行交通流量智能预测的可行性和准确性,为城市轨道交通智能运营管理的实现提供有力支撑。     

电力机车分布式校线系统及其应用研究

针对电力机车校线周期长、手动测试难以满足复杂回路测试要求等问题,文章介绍了一套电力机车分布式校线系统,基于该校线系统设计原理提出了自学习线缆测试法及连接器库建立方法。该系统的应用提高了电力机车校线的效率和准确性,同时增加了试验的可追溯性。     

基于深度学习的短期交通流预测方法综述

针对基于深度学习的短期交通流预测问题,揭示了时空相关性建模本质,分析了建模过程中涉及的多尺度时空特性、异质性、动态性、非线性等特点,明确了基于深度学习进行短期交通流预测的核心挑战,阐述了短期交通流预测涉及的外部信息整合、多步预测与单步预测以及单体预测与集成预测等相关问题;按照网格化和拓扑化2种交通流数据组织方式,分别综述了当前最新的基于深度学习的短期交通流预测研究方向。研究结果表明：针对网格化交通流数据,当前研究主要包含了基于2D图像卷积神经网络、基于2D图像卷积神经网络与循环神经网络相结合、基于3D图像卷积神经网络3种预测建模方法;针对拓扑化交通流数据,当前研究主要包含了基于1D因果图像卷积与卷积图神经网络相结合、基于循环神经网络与卷积图神经网络相结合、基于自注意力与卷积图神经网络相结合、基于卷积图神经网络的时空同步学习4种预测建模方法;总体上,基于深度学习方法进行短期交通流预测相较于采用时间序列和经典机器学习方法获得了预测准确性上的极大提升;未来,针对物理理论、知识图谱与深度学习相结合,构建多时空数据挖掘大模型以及轻量化、可解释性、模型结构自动化搜索等维度的相关探索将成为重要研究方...     

营造风清气正的干事创业环境——《“一报告两评议”办法》学习体会

中央组织部印发的《地方党委常委会向全委会报告干部选拔任用工作并接受民主评议办法（试行）》（以下简称《“一报告两评议”办法》）,明确规定“地方党委常委会每年向全委会报告工作时,要专题报告年度干部选拔任用工作情况,并在一定范围内接受对本级党委干部选拔任用工作和新选拔任用领导干部的民主评议”。这是加强干部选拔任用工作民主监督的一项创新性举措,是深入贯彻落实党的十七大和十七届四中全会精神的具体体现,为防止选人用人上的不正之风提供了有力武器。     

基于双线性递归神经网络的交通流量预测方法

为了提升城市道路智能交通控制和管理的合理性和有效性,从交通流时空特性角度出发,提出基于优化双线性递归神经网络的城市道路交通流量预测方法。该方法有效结合双线性多项式快速准确求解和递归神经网络的动态校准的特点,采用粒子群算法实现冗余神经元和权值的动态剪枝过程,提升了算法的收敛速度和预测精度。采用视频数据对算法进行训练和实验,并进行对比分析。结果表明：该方法能够实现对道路交通流量的准确预测,交通流量预测精度达到90％以上,满足实际交通管理和控制的数据精度要求,同时算法的收敛速度也有明显的改善。     

面向海工生产调度问题的多智能体求解系统

设计面向海工项目多主体协商生产调度问题的多智能体求解系统架构,明确海工生产调度多智能体系统的协商机制和冲突消解策略,为问题的求解提供基础保障。此外,为增强智能体的推理决策能力,提高问题求解效率和求解精度,基于分层强化学习理论提出面向海工生产调度问题求解的学习模型与多智能体系统学习机制。在此基础上,开发面向海工生产调度问题的多智能体求解原型系统,进行实例验证,为在海工企业中进行实际应用提供可能。     

光电跟踪系统伺服控制算法研究

伺服控制直接决定了光电跟踪系统的性能,文章采用模糊神经网络控制算法,具有参数学习和结构学习功能,通过Matlab仿真对比发现无论是动态、静态性能还是鲁棒性方面都要优于传统的PID控制以及模糊控制,表现出很好的准确性和快速性,为光电跟踪系统伺服控制设计提供了一种可行的技术方案.     

RBF网络Q-学习在水下机器人首向角锁定中的应用

水下机器人工作环境的多变性和复杂性,对其控制系统提出了鲁棒性、自适应性等更高要求。本文研究水下机器人的运动特点,在RBF神经网络的基础上阐述Q-学习在水下机器人首向角锁定中的应用,最后将其与RBF网络控制进行仿真对比,实验结果表明本文算法控制稳定、精度高。