基于图卷积网络的非均衡数据船舶柴油机故障诊断北大核心CSCD

[目的]船舶柴油机状态信息数据普遍存在类别不均衡的问题,非均衡数据集降低了基于数据驱动的故障诊断模型对柴油机健康状况自动识别的准确性。因此,提出基于样本间概率相似性的图卷积网络(GCN)模型,以解决非均衡数据集分类问题。[方法]首先,引入Kullback-Leibler散度来计算样本间的概率相似性,以挖掘样本间的非线性关系,将各个样本间的相似性用构造概率图的拓扑结构体现。然后,利用图学习对样本特征及邻近样本特征进行聚合和提取,为非均衡数据集的分类提供更多的信息。最后,通过构造多层图卷积层,对样本特征信息进行更深层次的挖掘。[结果]仿真及台架实验表明,所提出的图卷积网络能够有效地学习更多样本信息,通过聚合邻近样本信息来提高非均衡数据集分类的准确率。[结论]该模型的召回率和精确率均高于其他分类模型,具有一定的工程应用价值。     

高速公路单车事故建模方法

利用随机试验和数学均值化原理,对收集的单车事故数据进行了分析,运用定积分的元素法计算单车事故率面积函数,并对其拟合求导.结合面积函数的线形变化规律,筛选出单车交通事故影响因子和道路几何要素变量,逐一建立了各独立变量对事故率的影响模型,并确定了最终的变量.采用回归分析方法构建不同半径和直线长度的单车事故预测模型,利用三维...     

运用Peck公式对某顶管工程地面沉降的预测探讨

基于广州市某分洪道顶管工程实测所得的地面沉降数据，探讨Peck公式在预测顶管施工引起地面沉降中的适用性，并借助函数拟合的方法，修正理论Peck公式下沉降曲线与实测沉降曲线的偏差。引入地表最大沉降修正系数α及沉降槽宽度修正系数β，通过推算和验证，当α和β分别介于0.229~0.809，0.176~0.324时，可利用修正Peck公式预测该地区下顶管施工引发地面沉降的大小。     

车祸夺走了他们3个孩子 9年后奇迹出现了

今天要说的这件事情还要回到9年前……照片里是一对夫妇的3个活波可爱的孩子,右边的男孩5岁左边的女孩4岁,中间最小的才2岁,原本这是一个幸福快乐的5口之家,3个孩子都是那么可爱,然而9年前,一场灾难就这么突然降临了……那天,妈妈Lori开车带着3个孩子正在回家的路上,突然她的车被一辆满载货物的20吨大卡车从后面追尾……妈妈当场就陷入昏迷,她和孩子被紧急送往医院抢救,她的丈夫守在抢救室门外,医生一次     

基于C++Test的嵌入式软件单元动态测试

以车载辅助变流器平台软件单元动态测试活动为例,重点阐述了如何利用C++Test测试工具进行嵌入式软件单元动态测试的技术与方法,主要包括嵌入式软件单元测试环境的构建、函数的插桩、测试用例编制与执行以及覆盖率统计等关键内容,以指导软件开发与测试人员有效开展单元测试活动。     

2014别克S弯挑战赛揭幕

2014年别克S弯挑战赛在广州拉开帷幕!在首战比赛中，吸引了超过300名车迷和粉丝参与，经过两天的激烈角逐，场面非常热闹。通过赛前讲解，笔者发现今年的别克S弯挑战赛采用了全新的多任务、积分式的赛制，并首次引入通用汽车全球培训专业试车手的“御用”L1PRO专业一级赛道。同时，在以往君威GS和英朗XT两款赛车的基础上，加入最近比较热门的紧凑级SUV昂科拉，竞赛环节更为新颖丰富。正如上海通用汽车别克市场营销部部长施弘所说的：“焕然一新的赛制、赛道和赛车，让今年的别克S弯既竞速也竞技，丰富有趣又不失专业性。”     

城市轨道交通电气系统网络负荷建模方法研究

城市轨道交通电气系统网络存在分散性、时变性、随机性、多样性和非连续性等多种特性。介绍了几种常用的经典负荷模型结构。针对该电气系统网络系统的特点,采用带有反馈模拟云数据生成器,应用隶属度函数与经典负荷模型相结合理论,提出一种基于窗函数的负荷模型建模方法,并对该方法进行了仿真验证。     

公路交通安全设施的改进组合评价模型

为准确、有效地评价公路交通安全设施系统，在综合考虑客观信息和主观评价关键作用的基础上，建立交通安全设施系统评价模型。该模型首先基于模糊层次分析法(FAHP)的模糊三角函数来计算主观权重，将不确定性语言转化为量化值；其次，将利用熵权法计算的指标熵值引入到客观权重计算中，解决传统相关性定权法(CRITIC)没有考虑指标间离散程度的问题；然后，建立优化组合赋权模型，计算各指标的组合权重，并结合模糊综合评价模型(FCE)对整体系统进行评价；最后，选取4个路段的交通安全设施系统进行案例研究，同时进行敏感性和比较分析，以验证模型的可靠性。该模型的建立可为交通安全设施的整体评价提供更全面的评价模型。     

基于机器学习的交通流预测方法综述

通过文献梳理、专家访谈和试验场景构建等方法，分析了道路指定断面和区域路网宏观交通流预测的国内外研究现状和发展趋势，归纳了局部断面交通流预测方法，包括传统机器学习、递归神经网络和混合模型，分析了卷积神经网络、图神经网络和融合多因素网络的特点，阐述了方法的原理、优势、局限性和应用场景，总结了现有场景交通数据集类别，从采样周期与采集方式角度归纳了国内外主流交通数据集。分析结果表明：递归神经网络可以有效获取交通数据的历史规律，但存在梯度爆炸、计算复杂度高、长时预测准确度不佳等问题；图神经网络针对路网拓扑连接关系引入了图结构，在考虑路网和交通流数据的时空相关性上具有明显优势；融合多因素网络充分考虑天气、道路、事故等内外部因素的影响，有效提升了交通流预测的实时性和鲁棒性；由于交通数据采集困难、外部因素影响难以量化、机器学习方法可解释性差等原因，交通流预测方法的改进受到了限制；未来应从交通信息有效挖掘和图卷积方法完善两方面入手，拓宽图结构在交通领域的应用和考虑非常态交通场景，进一步揭示交通数据的内在规律，开发更准确、高效的交通流预测方法，推动交通流预测在工业界的落地应用。