基于IAFSA-BP神经网络的泥水盾构机跨江段油脂消耗预测

油脂是盾构施工过程中主要消耗性材料,该消耗量对施工成本的影响较大。盾构机在不同地质条件下施工时,对应的油脂消耗量变化较大。对传统的鱼群算法(AFSA)进行改进,通过改进的鱼群算法优化了BP神经网络,构建了盾构机在不同地质条件下掘进时的油脂消耗量预测模型。基于武汉地铁8号线跨江段施工过程中的地质状况、掘进速度、盾尾密封油脂消耗量(WR)、主驱动外密封油脂消耗量(HBW)和主驱动内密封油脂消耗量(EP2),对模型进行了训练并利用该模型对部分施工段油脂消耗量进行预测。预测结果表明:改进后的模型能较好地预测3类油脂的消耗量,相对误差分别为12.60%、9.66%和7.35%,在可接受范围内,对于油脂消耗的预测具有一定参考意义。     

基于模糊神经网络的一种船舶碰撞危险度计算方法

利用神经网络与模糊推理提出一种船舶碰撞危险度的计算方法.用神经网络替代模糊推理过程,建立基于碰撞危险度计算的模糊神经网络推理框架,利用推理规则生成用于网络训练的样本.实例验证了方法的可行性.     

基于有向图卷积与门控循环单元的短时交通流预测方法

为了充分挖掘快速路交通流时空特性,解决当前城市快速路交通流预测存在交通流时空特性挖掘不充分等问题,进一步提高城市快速路短时交通流的预测精度与效率,研究了基于有向图卷积神经网络和门控循环单元的组合模型（directed graph convolution network-gate recurrent unit,DGC-GRU）的城市快速路短时交通流预测方法。该方法提出空间相关性矩阵并将其引入图卷积神经网络中,构建有向图卷积神经网络用于表征交通流的有向性和流动性。将交通流参数输入有向图卷积神经网络后得到有向图卷积算子,并将有向图卷积算子引入门控循环单元,通过有向图卷积神经网络捕捉交通流的空间特性,通过门控循环单元捕捉交通流的时间特性,输出快速路交通流预测结果。选取西雅图环形快速路感应器检测数据进行实例分析,对比模型预测效果。结果表明：在数据集与参数设置均相同的情况下,DGC-GRU交通流预测模型的训练收敛速度更快,且平均绝对误差（mean absolute error,MAE）和平均绝对百分比误差（mean absolute percentage error,MAPE）均优于对比模型,与传统的GRU、GCN、DGC-LSTM模型相比,DGC-GRU模型能够将MAE和MAPE指数分别降低33.01%、5.76%、1.32%和27.75%、1.15%、7.76%,表明DGC-GRU交通流预测模型能够有效挖掘城市快速路网中的交通流时空分布特征,具有良好的预测精度与效率。     

应答器/SINS信息融合的列车定位方法研究

针对列车在高架桥、隧道、密林等地区无法接收卫星信号的问题,采用应答器/SINS信息融合的方法对列车进行位置监测。首先建立了基于固定应答器融合SINS (捷联惯导系统)的数学模型,利用ECEF坐标系进行二者信息融合;其次采用鲁棒滤波器对融合误差进行估计,保证系统的稳定性;最后结合先验数据,采用神经网络预测出捷联惯导系统误差,修正列车定位信息。仿真实验结果表明:与应答器融合后的SINS,一定程度上抑制了定位结果的发散;在400s内不依靠卫星的情况下,也能使定位累积游走误差下降93.6%。     

基于倾向流和深度学习的机场运动目标检测

针对当前基于视频图像的场面监视目标检测方法存在定位误差较大,识别准确率低等问题,建立一种结合目标运动信息的机场场面运动目标检测方法:利用倾向流法提取出运动目标在图像中的候选区域,对候选区域执行点池化操作以确定区域建议的边界,采用Inception结构构建一个浅层卷积神经网络,并使用该网络对区域建议中的航空器、车辆和人员进行识别.结合国内机场的监视视频,构建了一个包含4 938张图片的机场目标数据集,用于算法的训练和测试.结果 表明,运动目标提取的准确率达到94%以上,运动目标识别的Top-1准确率达到了97.23%,运动目标平均准确率达到86.23%.与3种深度学习目标检测算法相比,运动目标检测精度平均提升了39%.     

基于 QPSO-RBF 的交通量预测方法研究

实时、准确的交通量预测是实现动态交通流控制及诱导的前提和基础,为了更好的对其进行预测,在分析径向基函数(RBF)神经网络预测模型的特点和标准粒子群优化(PSO)算法缺陷的基础上,将量子粒子群优化(QPSO)算法的全局搜索能力与RBF神经网络的局部优化相结合,克服了标准PSO算法收敛不稳定性和RBF神经网络易陷入局部极小值的缺点,并建立了QPSO-RBF的交通量预测模型.仿真实例结果表明,提出的预测模型预测精度较高,具有较强的学习能力和预测能力,对于交通量预测具有一定的可行性和有效性.