车载自组网无标度特性与小世界特性分析

提出了面向车载自组网的BA1度优先连接方法。基于城市数据集的实际场景和节点随机均匀分布的仿真场景,分别采用全连接和BA1连接,进行了对比实验。实验结果表明：在全连接组网方式下,网络在实际场景和仿真场景中均不具有无标度特性和小世界特性;在BA1连接组网方式下,网络在实际场景中不具有无标度特性和小世界特性,而在仿真场景中,当通信半径增长到一定值时,网络具有无标度特性和小世界特性。     

基于数据挖掘的船舶引航事故致因分析

为控制和预防船舶引航事故的发生,采用Apriori算法挖掘船舶引航风险因素的关联规则,在挖掘风险因素间强关系的基础上结合定性贝叶斯网络的事故致因网络关联分析,综合确定船舶引航事故致因链。根据事故致因链分析引航事故最可能的形成过程和关键环节,以提出有针对性的防范对策。     

云计算环境下船舶无线通信网络入侵检测方法

以提升船舶无线通信网络安全性为目的,设计云计算环境下船舶无线通信网络入侵检测方法,提升入侵检测效果。利用云计算环境内Hadoop框架的分布式文件存储系统,存储船舶无线通信网络数据;通过云计算环境内Hadoop框架的MapReduce并行编程模型,对信息熵与长短期记忆网络进行分布式设计,设计并行信息熵-长短期记忆网络的入侵检测方法。该方法利用分布式信息熵选择船舶无线通信网络数据特征;以选择的特征为样本,输入至分布式长短期记忆网络内,输出无线通信网络入侵检测结果。实验证明：该方法可有效选择船舶无线通信网络数据特征,完成网络入侵检测,且入侵检测精度较高。在不同攻击类型时,该方法均具备较优的入侵检测效果。     

海上无人装备跨域通信技术发展研究

针对海上无人装备跨域集群作战的任务要求,总结出无人装备由于缺少人员的实时操控,其通信呈现出网络化、服务化、自主化、抗干扰、设备小型化等特点。梳理了国外无人机、无人艇、无人潜航器等无人装备通信系统的发展现状,并以美军《2017-2042年无人系统综合路线图》为参照,重点分析了无人装备跨域通信未来的发展趋势。在此基础上,重点从互操作性、自主智能、安全保密、人机协作4个方面,提出要重点研究和突破的关键技术。     

基于生成对抗网络的地铁OD需求短时预测

城市轨道交通作为一种安全、运量大、环保节能的交通工具,能有效缓解城市交通压力,逐渐成为大中城市居民最重要的出行方式之一。准确可靠的城市轨道交通短期客流预测对旅客出行与客流管控有重要意义。有鉴于此,提出一种新型的生成对抗网络(GAN)模型,即CWGAN-div模型,以实现对地铁OD需求的短期预测。CWGAN-div模型融合条件生成对抗网络(CGAN)模型以及基于Wasserstein散度的生成对抗网络(WGAN-div)模型,结合2种模型的特点,来提高原始生成对抗网络模型的稳定性和生成精度。考虑到地铁客流量变化的时间周期性,使用一种融合2类周期信息的时间标签作为条件信息,并与历史OD数据一起作为模型的输入。为了更充分、更稳定地挖掘地铁客流需求的时空相关性,采用一种改进的卷积神经网络,即残差神经网络构建CWGAN-div的内部结构。以深圳地铁1号线和4号线的44个站点为例,数值实验表明,CWGAN-div模型具有较好的稳定性和预测效果,相比传统预测方法和普通深度学习方法在预测精度上分别提高了27.97%和6.59%,相比其他组合模型提高了3.26%,相比基础CGAN模型和WGAN-div模...     

基于连续变量量子通信的地铁量子调度网络研究

地铁调度网络作为地铁运营系统的重要组成部分,是实现地铁系统中列车调度、实时监控和紧急通信等作业顺利进行的基础。针对地铁调度网络中调度信息的安全传输问题,提出一种基于量子通信技术的地铁调度信息的加密过程,以期实现调度信息的无条件安全传输,从而提升地铁系统中列车调度、实时监控和紧急通信等业务的安全性和保密性,保障广大乘客人身安全。考虑成本、数据规模以及量子系统与现有网络和器件的融合性,拟在地铁调度网络中采用增量部署和星型组网的方式开展基于连续变量的量子通信,分析其在集体攻击下的安全性。以深圳地铁10号线为例,设计一种基于CV-QKD技术的地铁量子调度网络。基于实际线路数据,计算部分站点之间通信的安全密钥率。仿真结果表明,连续变量量子通信能满足深圳地铁10号线全线的数据加密需求,并且有能力实现更远通信距离的调度信息安全传输。在通信距离较短的情况下,系统可使用较大的发送端信号方差或在接收端使用外差检测来实现更高的安全密钥率。相反,在长距离通信的情况下,接收端使用零差检测是性价比更高的选择。     

基于迁移学习的桥梁表观病害检测技术研究

桥梁表观病害检测是保证桥梁设施安全的关键技术之一。深度卷积网络因其强大的特征提取能力,被广泛应用于土木工程领域的结构病害识别与检测,然而在土木工程领域中往往缺乏用于训练深度学习网络的高质量大规模病害图像数据集。针对上述问题,提出一种基于迁移学习的桥梁表观病害检测方法。该方法运用迁移学习技术,通过迁移VGG16网络模型结构及全部卷积层参数,并在迁移后的模型结构上添加新的全连接层,以此来解决训练数据集不足的问题。运用动态学习率调整策略,以不同的学习率对卷积层和全连接层参数分别进行微调,用于提高模型的识别准确率。实验对比ResNet18,ResNet50,VGG19,VGG16等主流深度学习网络模型,该方法在验证集上取得了最高准确率,为98.86%。用实拍的未经过处理的桥梁表观病害图像数据集进行测试,该方法的整体结构表观病害识别准确率达到88.33%,其中泛碱、露筋和裂缝3类病害的测试准确率分别达到96.25%,80.00%和88.75%,具有较高的病害识别准确率,可以用于在役桥梁表观病害识别。     

基于特征增强学习的路面裂缝病害视觉检测方法

受路面复杂背景的干扰,既有的路面裂缝病害视觉检测算法易产生虚警和漏检问题。基于此,提出一种基于语义特征增强学习的路面裂缝病害检测方法。为了强化网络模型对图像浅层特征的利用,该算法以Unet++网络为裂缝检测的主框架,其通过融合更多的底层特征信息来提升裂缝病害检测的精度。在Unet++网络层间特征融合的基础上,根据不同卷积层的特征图属性,进一步差异性地引入视觉注意力计算模块,有效抑制背景杂波的干扰,减少虚警率。为了降低裂缝病害检测的漏检率,利用空洞卷积操作分别从2方面改进网络模型的训练过程：其一,应用空洞卷积代替传统的池化操作,通过网络的自动学习剔除无关紧要的特征信息,加强网络对细微裂缝特征的学习能力;其二,在网络上采样前,建立空洞卷积金字塔池化层,通过增加对裂缝特征的尺度多样性计算,保证网络模型在不同拍摄距离下裂缝病害检测的适用性。收集大量的路面裂缝图像数据并与不同算法进行对比分析,实验结果表明本算法取得了比全卷积网络、原始Unet++网络更优的裂缝检测效果。     

5G在智能高铁中的应用

5G具有大带宽、高可靠、低时延、海量连接等优势,已成为智能高铁不可或缺的重要信息基础设施。分析GSM-R系统的应用现状,指出GSM-R系统存在的问题。对5G在智能高铁中的应用需求进行分析,并针对智能高铁的各种业务需求提出相应的应用模式。以5G、云计算、大数据、人工智能、物联网为标志的新一代通信信息技术在铁路行业的融合应用,将有效提高铁路运输服务质量、安全可靠性和运营管理效率。