全电子联锁车站接近区段电码化发码延迟的解决方案

与继电联锁接近区段占用发码的电码化上码时间相比,全电子联锁上码时间延迟较大,影响行车效率。为缩短全电子联锁上码时间,阐述了一种全电子联锁的轨道电路模块和电码化模块间直连的网络连接解决方案。从网络结构,通信协议,耦合方式,故障分析和具体实现等方面做了详细的介绍。该方案使电码化模块可以尽快响应接近区段占用发码的命令,缩短上码时间,满足现场车站的应用需求。     

机场轨道交通与捷运系统衔接布局模式研究

随着机场对外轨道交通与机场内部捷运系统的应用推广,二者在机场的衔接布局不合理、运营管理分割等诸多问题日益凸显,不同技术制式的机场轨道交通方式亟待由各自独立建设运营的局面逐渐向轨道交通协同化的方向发展,研究其衔接模式及设施布局具有显著的理论指导意义和实践应用价值。在分析机场轨道交通与旅客捷运系统协同衔接布局的应用实践、基本需求和发展趋势基础上,结合各类机场轨道交通特性和场站布局差异,归纳了4种机场轨道交通与捷运系统的衔接布局模式。     

冷链物流园区智慧化建设研究

冷链物流智慧化是冷链行业现代化的重要支撑和标志,冷链物流园区是冷链开展经营的核心场所,冷链园区智慧化程度影响冷链业务的成本效率。以项目实践经验为基础,总结我国冷链物流园区智慧化现状、发展趋势,提出冷链物流园区智慧化的核心框架和关键要素,希望能够为智慧冷链物流园区建设提供有益参考。     

基于改进ORB算法的特征点匹配研究

针对ORB(Oriented FAST and Rotated BRIEF)算法不具有尺度不变性的缺陷,结合多尺度Shi-Tomasi算法提出了改进的ORB算法:STORB(Shi-Tomasi-ORB)算法.首先在多尺度空间中通过快速预筛选后检测Shi-Tomasi特征点,然后使用ORB算法生成具有方向信息和尺度信息...     

基于OC-SVM算法的FSK通信设备异常检测研究

针对地铁FSK(频移键控)通信信道的监测数据正负样本量不平衡即故障样本量较少的问题,提出一种基于OC-SVM算法的异常检测方法。通过对FSK通信信道监测数据的处理分析,该算法能够识别出FSK通信设备的相对异常状态,有效助力FSK通信设备的运维从传统的故障修、计划修转变为智能化的状态修、按需修,提升FSK通信设备的可靠性,降低地铁运营成本。     

使用低成本全球定位系统接收器估算列车速度

开发了一款能够从铁路设备上主动采集并上传数据的智能手机应用(app),以及一种简单的数据处理算法来估算列车速度.研究结果表明,利用低成本传感器估算列车速度是可行的.     

克隆选择算法在基坑支护位移反分析中的应用

在基坑工程中,传统的位移反分析方法计算量较大,不易掌握,且求得的岩土体力学性能参数的精度较低。为此,提出应用克隆选择算法求解位移反分析问题的新方法,其核心是采用BP网络为正演工具代替有限元方法,描述土体力学性能参数和位移的非线性映射,可减少计算量,并利用克隆选择算法为反演工具,通过反演分析确定土体力学性能参数,具有较高的精度。依据该反分析方法获得的岩土体力学性能参数又可以估算下一工况的基坑位移。仿真试验结果表明了新方法的可行性和有效性。     

认知范畴化与英语词汇教学

从认知范畴化出发,论述了词的范畴化,讨论了范畴化与英语词汇习得的关系,对英语词汇教与学问题进行了思考和探索.     

基于ADASYN-XGBoost的交通事故自动检测方法

基于数据驱动的交通事故自动检测对道路事故的及时救援与降低事故影响具有重要作用。为解决道路交通事故自动检测中的样本不均衡问题,研究了混合自适应过采样技术与极限梯度提升树算法的交通事故自动检测方法（ADASYN-XGBoost）。其中,为从不均衡的交通事故样本中有效挖掘数据的时空特征与事故发生之间的内在关联规律,构建了初始特征变量组合,引入自适应合成过采样方法（adaptive synthetic oversampling method,ADASYN）来平衡事故类与非事故类的样本数量,以增强训练数据的质量;其次,为提高检测效果,构建了基于XGBoost的交通事故检测模型,利用该模型对增强后的数据样本进行特征筛选;最后,为获取最佳参数组合,采用了贝叶斯优化算法对XGBoost进行参数的快速标定。本文使用波特兰高速公路数据集对ADASYN-XGBoost方法进行模型验证与实证研究。结果表明：与先进的基准模型相比,ADASYN-XGBoost的各项检测指标均最优,其F1分数达到94.47%且误检率低至8.95%。在模型训练样本数为2800,500(18%的初始样本量),150(5%的初始样本量)...     

基于集合经验模态分解降噪和优化LSTM的道路交通事故预测

道路交通事故精准预测是有效提升交通安全的重要手段,由于事故数据经常呈现非线性、波动性、无周期性等特征,现有的算法存在预测效果不佳的问题。为此本文提出基于集合经验模态分解降噪算法(ensemble empirical mode decomposition,EEMD)和优化长短时记忆神经网络(long short-term memory,LSTM)的交通事故数量预测模型。在单一模型的基础上,引入降噪算法EEMD对噪声大的交通事故时间序列进行降噪处理,利用EEMD对事故时间序列进行分解得到多个子序列和1个残差项;基于粒子群优化算法(particle swarm optimization,PSO)优化LSTM网络结构参数,并在LSTM的最优网络结构下提取数据中的时间特征信息进行预测,对各子序列及残差的预测结果求和得到最终预测结果。研究结果表明：相对于EMD-PSO-LSTM,PSO-LSTM,EEMD-LSTM,LSTM这4个模型,EEMD-PSO-LSTM的预测效果最好,其对应的预测误差e_rmse分别降低了8.7%、48.3%、53.1%、57.6%,误差e_m...