基于联合调度优化模型的共享汽车分析

共享汽车行业曾在几年前广为繁荣,但由于其所具有的重模式、高成本、难以盈利等弊端,造成企业难以持续融资,行业难以持续繁荣的困境.如今,随着汽车车型更新换代日益迅速,加之疫情影响经济发展,消费者更倾向于轻便的用车模式,使得具有"分时租赁"特点的共享汽车获得很大发展机遇.本文综合利用Excel、Python软件,先以经纬度为...     

粘连蚕卵图像分离算法研究

针对蚕卵图像中存在的粘连或者部分重叠现象,本文提出了一种新的分离方法。该方法先采用模糊C均值聚类算法将蚕卵图像从背景中分割,然后采用模糊距离变换得到模糊距离图像,最后使用分水岭算法将粘连或者部分重叠蚕卵分离。实验证明,此法能够将粘连颗粒物图像有效分离。     

基于学科竞赛的自动化设计类课程群建设

高校应用型人才培养是当前高等教育的组成形式之一,该文以自动化专业为例,通过一系列的具体课程教学实施逐步探索依托学科竞赛的创新人才培养模式,以学科竞赛为辅助,教学改革为主体,根据自动化专业人才培养的需求,从内容、结构和逻辑关系上分析不同课程间的关联性,优化设计类课程的课程体系,整合教学内容和教学方法,创新教学模式,从而不...     

基于电动出租车数据的充电桩选址聚类方法比较

为有效降低出租车运营企业及经营者的经济成本,通过分析出租车的卫星轨迹数据,比较和选取用于电动出租车充电桩选址规划的聚类方法。以上海市电动出租车充电站的选址规划为研究对象,分别基于孤立森林和聚类算法设计异常值检测方法,对相关时段的出租车卫星数据进行清理以及数据可视化处理;比较层次聚类（Agglomerative Clustering）、高斯混合模型（Gaussian Mixture Model, GMM）、K-means聚类、Mean-Shift聚类以及谱聚类（Spectral Clustering） 5种算法的聚类效果,并选取K-means算法作为充电桩选址规划参考算法。从城市区域划分及企业运营角度确定充电桩选址方案,为未来上海市区电动出租车充电桩的数量和容量配置提供设计依据。     

CABOSFV算法中集合稀疏差异度阈值确定方法

在实际应用中,CABOSFV算法初始参数———集合稀疏差异度阈值b的确定是否合理,对聚类结果是否有效起决定作用。本文针对如何科学方便地确定集合稀疏差异度阈值b进行了深入研究,给出了集合稀疏差异度阈值确定方法,并通过该方法进行了实例计算。计算结果表明,由于该方法能够确定聚类结果中类的对象组成最小数量,聚类结果的粗糙与精细程度可以人为控制,对聚类结果的准确及高效提供了很好的保证,能够为CABOSFV算法进行聚类提供合理的阈值。     

基于主元分析和聚类的船舶机电设备性能变化趋势的提取

利用主元分析模型和小波变换模极大值法,提出了监测船舶机电设备性能变化的趋势提取方法。基于聚类思想,定义了奇异值分散性测度,估计了主元数;类似地,通过对复相关系数的聚类分析,确定了主元显著相关变量。算例证明了文中方法的有效性。     

大型绳索类甲板机械试验设施技术与经济分析

针对大型绳索类甲板机械（含大型锚机）试验设施建设的必要性、要解决的问题以及技术与经济方面进行了探讨,希望给同行以借鉴．     

凝灰岩类土质边坡地震动力响应分析

以凝灰岩类土质边坡为研究对象,采用数值模拟计算方法对边坡的地震动力响应进行了分析,讨论了泊松比、阻尼比参数取值变化对边坡动力响应的影响.结果表明:地震作用下,水平加速度在凝灰岩类土质边坡中的分布具有明显的折减效应,且随高度衰减;边坡稳定系数随地震时程波动变化,在某个瞬时会小于1.0,但一般不会造成边坡的整体失稳破坏;基...     

基于高速公路自然驾驶数据的自动驾驶车辆跟驰智能性评价模型

为解决当前自动驾驶车辆跟驰智能性评价中存在的以主观评价为主、缺少微观驾驶行为数据支撑的问题,以高速公路自然驾驶数据为基础,从自动驾驶车辆与人工驾驶车辆驾驶行为一致性的角度出发,构建自动驾驶车辆跟驰智能性评价模型。首先,通过无人机视频拍摄和图像处理,获取了国内18个省份部分高速公路上的高精度车辆轨迹,利用K-means聚类方法提取了15 446组稳定跟驰数据。然后,采用描述性统计方法对速度、加速度、跟车间距及跟车时距等指标进行分析。通过Gamma分布拟合不同速度下的跟车间距,以不同速度下跟车间距众数为中心,将跟车间距按照样本量的70%、20%、10%划分为与人工驾驶车辆驾驶行为一致性较好、一般、较差等3种情况,以此为基础建立自动驾驶车辆跟驰智能性评价模型。最后,通过自动驾驶车辆跟驰试验,证明所建模型适用于自动驾驶车辆跟驰智能性评价,相比既有研究,该模型的特点是能基于全过程、微观跟驰行为数据对自动驾驶车辆做出综合的量化评价。这表明基于自然驾驶数据与驾驶行为一致性构建的模型能客观、量化评价自动驾驶车辆跟驰行为,可用于自动驾驶车辆跟驰行为研究与技术参数设计。     

多特征点驱动的船舶轨迹聚类方法

轨迹聚类在船舶行为分析与海事监管等领域发挥着重要作用。船舶轨迹存在长度与采样率不一致、结构差异明显等特点,在大范围水域难以实现大量船舶轨迹的高精度与快速聚类。针对该问题,在利用船舶自动识别系统获取海量船舶历史航行数据的基础上,提取与船舶航行行为、船舶交通密度相关的位置特征点,进而提出了多特征点驱动的船舶轨迹聚类方法。针对船舶航行时在大多数情形下具有保向、保速的特点,采用数据压缩的方法捕获船舶航行状态以及船舶航向发生显著变化的轨迹点,作为船舶轨迹结构特征点;针对目标水域中某些特定区域常存在船舶交叉会遇的情形,利用概率密度估计法分析船舶交通流的空间分布特点,并提取船舶会遇局面下的轨迹点,作为船舶交通流特征点;为剔除2类特征点中的异常值,采用密度聚类算法对特征点进行聚类,进一步提高特征点提取的可靠性,并将聚类结果中每类特征点的中心作为代表性特征点;统计途经代表性特征点的船舶轨迹分布情况,将具有相似分布的船舶轨迹视为同一类。实验结果表明：相比于常用的K-medoids聚类、层次聚类、谱聚类和DBSCAN等方法,提出的轨迹聚类方法在成山头水域、长江口南槽水域及舟山水域等典型区域均可获得优异的聚类...