基于流形理论的数据分类挖掘

数据挖掘技术应用于作战指挥挖掘系统,能为指挥员的决策分析提供智能化的、自动化的辅助手段。在分析数据挖掘问题中的分类算法的基础上,利用流形结构对分类算法进行了改进。从而避免全局线性对分类信息造成的丢失,保留完整的数据结构信息,在一般意义下完成针对数据集的各项任务。     

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.     

智慧交通与智慧物流

智慧交通和智慧物流是智慧城市建设的重要内容.智慧交通技术的创新和发展，促进了智能交通升级.解决大规模数据计算问题是物流智能化的基础.本次论坛以“智慧交通和智慧物流”为主题，介绍了安全驾驶统一集理论、实践及成果，探讨了新一代信息技术对智能交通发展与创新的推动作用，介绍了无人驾驶技术的总体框架、发展与应用，探讨了智慧物流所面临的大规模数据计算问题及解决方案.     

基于遗传算法和极限学习机的智能算法在基坑变形预测中的应用

为解决传统智能算法网络结构参数复杂、运算速度慢等问题,基于遗传算法和极限学习机构建基坑变形的新型优化智能预测模型。先利用皮尔逊相关系数评价不同影响因素与基坑沉降变形之间的相关性,以确定极限学习机的输入层; 再采用试算法确定最优激励函数和隐层节点数,并将遗传算法和极限学习机耦合,利用遗传算法优化极限学习机的初始权值和阈值,以提高预测精度。经实例检验表明： 1)开挖时间、开挖深度、土体抗剪参数及重度均与基坑沉降变形显著相关,为构建极限学习机输入层提供了依据; 2)在预测过程中,激励函数和隐层节点数对极限学习机的预测效果具有一定的影响,以Sigmiod型激励函数和13个隐层节点数的预测效果为最优; 3)通过遗传算法的优化,能进一步提高预测精度,验证了遗传算法的优化能力和有效性。预测模型在不同工况下的预测结果均较优,说明该模型具有较高的稳定性和可靠性。     

连续梁桥悬臂施工临时支墩内力与变形计算分析

对连续梁桥体系来说,当采用悬臂法施工时,结构的稳定性是所要考虑的首要问题,对连续梁桥悬臂施工临时支墩内力与变形进行了计算分析.     

数据驱动跟驰模型综述

车辆跟驰模型是被交通科学与交通工程领域广泛认可的微观交通流模型,是交通流理论 的基础。近年来,信息感知与获取、大数据、人工智能等技术快速发展,推动了数据驱动跟驰模型 的快速发展。数据驱动跟驰模型,是以真实的车辆行驶数据为基础,利用数据科学与机器学习等 理论和方法,通过样本数据的训练、学习、迭代、进化,挖掘车辆跟驰行为的内在规律。本文系统 回顾了数据驱动跟驰模型在过去20余年的发展历程以及由神经网络和深度学习带动的两次研究 热潮,归纳了基于传统机器学习理论的跟驰模型、基于深度学习的跟驰模型、模型与数据混合驱 动的跟驰模型3类数据驱动跟驰模型,并分别介绍了其中的典型代表。分析数据源发现,尽管各 种高精度轨迹数据不断涌现,目前研究仍多使用美国于2006年发布的Next Generation Simulation (NGSIM)高精度车辆轨迹数据,模型的可移植性和泛化能力值得思考与研究。提出关于模型输 入、输出的3个问题：如何考虑更多驾驶行为变量,是否有必要考虑更多行为变量,现有输入、输出 是否可替换。在模型测试与验证方面,发现并讨论了目前测试不充分、对比不完整、缺少统一测 试集与测试标准等问题。最后,探讨了数据驱动跟驰模型原创性与成功的关键因素等问题。期 望通过本文的梳理,帮助研究者更好地了解数据驱动跟驰模型的过去与现状,促进相关研究的快 速发展。     

智慧校园环境下课程资源建设的实践研究 ——以汽修专业《汽车空调原理与检修》课程建设应用为例

为研究智慧环境下课程资源建设,文章以《汽车空调原理与检修》课程建设应用为例,通过建设该教学平台,实现线上线下教学的有机结合,可以有效提升教师的教学质量及教学效率,还可以为那些渴望更深层次知识的学生提供一个良好的学习平台.在"智慧校园"的建设和发展过程中,需要不断更新与教学相关的信息,因此建设《汽车空调原理与检修》课程教...     

基于人-车交互的行人轨迹预测

针对行人轨迹预测具有复杂、拥挤的场景和社会交互问题,基于长短时记忆网络(Long Short-term Memory Network,LSTM)对行人与车辆、行人与其他行人的交互进行建模,提出一种基于人-车交互的行人轨迹预测模型(VP-LSTM).该模型同时考虑了行人与行人的交互、行人与车辆的交互,更适用于复杂的交通场...     

小样本下基于迁移学习与LSTM的雾天高速公路车辆跟驰模型

由于在现实生活中能够采集到的不同雾天等级的高速公路车辆跟驰样本有限,导致雾天跟驰模型精度不佳,为此在长短时记忆神经网络（long short-term memory,LSTM）跟驰模型的基础上,采用迁移学习（transfer learning,TL）方法来提升雾天跟驰模型的性能。利用驾驶模拟实验平台搭建高速公路雾天与正常天气2种实验场景进行驾驶模拟实验,获得296组正常天气下（源域）的跟驰样本与100组雾天下（目标域）的跟驰样本。提出了基于最长公共子序列（longest common sequence solution,LCSS）的迁移样本选择方法,从源域中选出100个样本迁移至目标域中,通过扩大训练样本提升LSTM从源域、目标域特征到目标域输出的端对端泛化学习能力,得到雾天高速公路车辆跟驰模型。为对比所提样本迁移方法对LSTM模型的效用,将LSTM-TL模型与训练样本全部来源于源域的LSTM-S模型和训练样本全部来源于目标域的LSTM-T模型进行对比,LSTM-TL模型的均方误差、均方根误差和平均绝对误差比LSTM-S模型分别减小47.5%、27.7%和46.5%,比LSTM-T模型减小31.1%、17.0%和29.9%。为对比不同模型在仅有100组目标域样本时的性能,将LSTM-TL模型与Gipps、IDM、BP这3个模型进行对比,LSTM-TL模型的均方误差、均方根误差和平均绝对误差比3个模型中表现最优的Gipps模型减小18.5%、8.0%和25.9%。结果表明：直接将LSTM-S模型应用于目标域的预测,其精度不高,采用样本迁移合理可行;LCSS方法对源域样本筛选有效,由100个源域样本迁移到目标域训练得到的LSTM-TL模型的精度最高;在小样本情况下,拥有较少参数的Gipps模型预测精度优于LSTM-T或LSTM-S模型,但由于迁移学习能够从源域样本中获取知识的特性,LSTM-TL模型有着最高的精度。     

船舶核动力装置蒸汽旁排工况的动态特性及影响因素分析

  目的  旨在研究非线性自适应惯性权重粒子群优化算法,实现船用核动力一回路系统管道路径的布置优化设计。  方法  根据船用核动力一回路系统的管道布局设计特点,建立一回路系统的管道布局空间模型、约束条件和评价函数;基于管道节点数量,提出一种粒子群优化（PSO）算法的新型定长编码方法,然后结合该编码方法建立方向引导机制;在此基础上,针对粒子群优化算法易陷入局部最优解、收敛速度慢的缺点,结合辅助线性变化的学习因子,提出一种基于非线性自适应惯性权重的改进粒子群优化算法;将改进粒子群优化算法与协同进化算法相结合,提出一种用于求解分支管道布局问题的协同进化粒子群优化算法,以用于核动力一回路系统的管道布局优化。  结果  仿真结果显示,所提的改进算法与标准算法相比收敛速度提高了40%～50%,不仅能够得到更好的管道布局效果,还解决了标准粒子群优化算法容易陷入局部最优解的问题。  结论  研究成果可为船用核动力一回路系统管道布置的优化设计提供有益的参考。