基于重采样的交通拥挤识别方法

交通拥挤识别实质上是一种不平衡分类问题,通过解决不平衡分类问题,在数据层面对原始数据集进行重采样,并采用不同的采样倍率进行向上和向下采样,降低数据集类间不平衡程度,从而提高拥挤类识别精度.选取南京市虎踞路(主干道)某一路段作为研究对象,调查获得7:30-9:00交通流数据,并在此基础上,通过vissim软件仿真得到更多数据.借助weka软件平台运用朴素贝叶斯分类器进行分类试验,并对检测结果对比分析,结果表明重采样方法在对总体识别率影响较小的情况下,能够提高拥挤类的识别率.     

Bridge Health Monitoring Data Distortion Recognition Algorithm Based on Data Changing Rate

监测信息的数据失真识别是桥梁结构长期健康监测系统的核心问题之一.针对桥梁结构长期健康监测系统监测信息的海量数据中由于仪器设备失效或环境干扰而导致的数据失真问题,结合数据变化率和聚类变化等数学统计方法,提出基于数据变化率的识别算法.该方法主要是对比数据之间的结构特性,首先建立相应结构参数的结构特性数据库,然后训练出该类型参数的安全系数以及变化率阈值,并通过数据库的不断更新和扩大来提高安全系数和阈值的精确性,最后通过验算实时采集数据的变化率是否超过对应的样本阈值来判别该数据是否失真.通过对佛山平胜大桥长期健康监系统采集的主塔偏位和环境温度数据进行失真识别验证,表明了该算法在实际工程中运行的有效性和可靠性.     

场强识别技术在TPMS自动定位中的应用

从轮胎压力监测系统TPMS原理出发,介绍国内外TPMS产品的定位技术,并分析其优缺点;阐述具有场强识别技术的接收机设计,及此技术在TPMS自动定位中的应用。通过该系统在车辆中的安装和不断试验,该定位方法可靠有效,能够满足车辆的TPMS应用。     

滑坡抗滑桩加固变形监测与参数识别

对滑坡发生进行监测和早期预报,是减少和防止滑坡灾害的重要手段。以平溪特大桥滑坡为工程背景展开滑坡监测,拟掌握抗滑桩施工过程中的地表位移、深部位移变形情况,确保施工安全,验证和确定滑动面的位置,为修改设计、指导施工提供依据,结果表明:1类似情况下,采用地表位移监测、深部位移监测、地下水位监测、降雨量观测、地表巡视可以较好掌握滑坡的变形信息,满足监测的要求。2监测前期、中期,滑坡始终处于蠕动变形阶段,是因为下部抗滑桩尚未施工完毕,坡体应力不断重新分布调整的结果,之后逐步稳定,从而验证了所采取的治理措施是必要的、有效的。     

城市轨道交通运营风险识别与分析

城市轨道交通网络化运营是未来发展的主流,风险管理工作成为重要的研究课题。全面、系统的管理风险是保障运营安全的有效途径。本文首先提出了利用风险源分布图和风险矩阵等方法进行风险识别,其次遵循"宏观—微观"的理念,运用层次分析法对系统风险"人—机—理—环"进行分析,最后着重针对人因运用了事故树分析法,并结合安评软件给出了定性结论。     

焊接中的低本高效防漏焊识别方案

本文主要描述焊接件在焊缝被机加工或其他方式完全去除或掩盖后,如何在低成本的情况下,通过制定有效的防漏焊识别方案,提高目视识别的准确率和有效性,进而杜绝漏焊问题的发生。     

大数据背景下的桥梁结构健康监测研究现状与展望

结构健康监测（SHM）技术在许多大型桥梁的运营养护管理中均有应用，但已有监测系统积累的海量数据并未被充分解读。为将大数据技术引入到桥梁SHM数据的处理分析中，首先总结大数据的概念和构成要素；然后分析SHM数据的工业大数据属性，梳理桥梁SHM大数据的研究方向；随后综述包括处理技术和分析方法在内的大数据技术在桥梁SHM中的应用现状，在由数据预处理、数据融合、特征工程、模式识别、可视化构成的大数据分析流程中提出SHM大数据研究的需求和应用场景；最后对大数据技术在桥梁SHM中的前景与驱动力进行展望和讨论。结果表明：SHM大数据研究应以结构状态评估为落脚点；大数据处理技术在SHM的系统框架搭建及数据分析能力扩展方面虽已得到较多应用，但其并非SHM大数据研究的重点；SHM数据融合对大数据分析方法有迫切需求，以实现桥梁SHM数据与外观检测等多源异构数据的多层面融合；深度学习、集成学习为结构状态敏感特征的提取提供了新的算法；有监督、无监督机器学习方法结合海量SHM数据将对结构状态评估下的模式识别问题形成更全面的认知；异常识别、相关分析、迁移学习等方法可为实桥SHM损伤识别提供支撑。研究结果可为SHM领域的大数据研究提供参考。     

基于粗糙集的模糊神经网络建模研究

利用粗糙集从数据库中发现规则的能力,确定模糊神经网络的初始拓扑结构,再利用原始数据对网络进行训练.由于这样构造的模糊神经网络一开始就具备了良好的符合数据分布特性的拓扑结构,因而可以大大减小网络规模,提高网络训练速度.数值实验结果表明了该方法的有效性.