侧脑室注入胃动素对大鼠摄食及学习记忆能力的影响

目的 探讨侧脑室注入胃动素(motilin)对大鼠摄食及学习记忆能力的影响.方法 采用成年SD大鼠侧脑室胃动素注入的方法,测量大鼠进食量及体重变化,并利用被动避暗回避反射实验检测大鼠的学习记忆能力.结果 第2、4、6、8、10、12、14天Motilin组大鼠每日平均摄食量较多,与正常对照组及人工脑脊液(ACSF)组比...     

智能驾驶实时目标检测的深度卷积神经网络

为提高深度学习神经网络运行速度,满足智能驾驶对算法实时性的要求,基于一种一体化实时目标检测算法YOLO和一种目标检测网络模型Faster RCNN,提出一种结合两者特点的实时目标检测神经网络。该网络保留区域卷积神经网络(R-CNN)算法的二次检测模式和区域生成神经网络RPN,去掉先验框,采用YOLO直接预测位置。结合Mask R-CNN中的ROI-Align方法进行二次位置修正,减少了Faster R-CNN中ROI-pooling所带来的位置预测偏差。对改进后的网络在KITTI数据集上进行测试,结果表明:改进后的神经网络检测一次仅耗时38 ms,检测的平均精确度高于YOLO和Faster RCNN,且对于不同大小的目标都具有很好的泛化能力。     

高职学生英语口语策略使用调查

文中报告了对广州民航职业技术学院一年级三个专业238名学生的口语学习策略使用情况的调查。调查结果显示，学生英语口语学习策略的总体使用频率偏中上，其中补偿策略、记忆策略和情感策略使用频率较高；善学者与不善学者在各项策略使用方面存在显著性差异；男生与女生在口语补偿策略的使用上有显著性差异。     

科学与人文：分离还是整合？

本文从自然科学和人文学术两种文化相互分离的一些现象入手，讨论了自然科学在若干问题上的作用界限，以及重文轻理和重理轻文问题，进布针对上述两种文化的整合（就社会而言）和向文理兼通境界的追求（就个人而言），作了若干独特的分析，讨论了若干可能的途径。     

基于深度卷积神经网络的钢材微观组织分类识别

通过引入多种深度卷积神经网络及分类器构建机器学习模型,对钢材金相图数据集进行学习,研究了一种能够准确、高效识别钢材微观组织的方法。研究结果表明,文章中所涉及的3种深度卷积神经网络在钢材微观组织的分类识别上均表现出优异性能,其中Inception-V3表现尤为突出,其与人工神经网络分类器组合而成的机器学习模型的分类精度可达99.60%。     

具有无序排列管片环结构的地铁盾构隧道数字模型智能重建北大核心CSCD

运营地铁隧道的管理、健康监测及维护正逐渐趋向于数字化、智能化;但常因地铁盾构隧道管理和检测单位缺少隧道数字模型,限制了地铁隧道智能维护和管理系统的应用和发展。文章针对地铁盾构隧道中无序排列的管片环结构,提出了一种基于深度学习和机器视觉的地铁盾构隧道数字模型智能重建方法,利用检测车获取的隧道衬砌内表面高清图片,对管片特征物(螺栓孔)进行智能识别与自动分类,再根据螺栓孔群的分布特点自动推断隧道管片环的排版规律,从而结合隧道实际线路实现隧道数字模型快速重建。某地铁隧道的实例应用结果表明,该方法适用于管片无规律性错缝拼装的情况,能以100%的准确率实现地铁盾构隧道数字模型的智能重建。     

Real-time identification of probe vehicle trajectories in the mixed traffic corridor

This paper proposes three enhanced semi-supervised clustering algorithms, namely the Constrained-K-Means (CKM), the Seeded-K-Means (SKM), and the Semi-Supervised Fuzzy c-Means (SFCM), to identify probe vehicle trajectories in the mixed traffic corridor. The proposed algorithms are able to take advantage of the strengthens of topological relation judgment and the semi-supervised learning technique by optimizing the selection of pre-labeling samples and initial clustering centers of the original semi-supervised learning technique based on horizontal Global Positioning System data. The proposed algorithms were validated and evaluated based on the probe vehicle data collected at two mixed corridors on Shanghai’s urban expressways. Results indicate that the enhanced SFCM algorithm could achieve the best performance in terms of clustering purity and Normalized Mutual Information, followed by the CKM algorithm and the SKM algorithm. It may reach a nearly 100% clustering purity for the uncongested conditions and a clustering purity greater than 80% for the congested conditions. Meanwhile, it could improve clustering purity averagely by 21% and 14% for the congested conditions and 6.5% and 6% for the uncongested conditions, as compared with the traditional K-Means algorithm and the basic SFCM. The proposed algorithms can be applied for both on-line and off-line purposes, without the need of historical data. Clustering accuracies under different traffic conditions and possible improvements with the use of historical data are also discussed.     

基于梯度关联规则的老年行人交通事故风险识别

为构建老年行人交通事故严重程度风险关联因素识别方法体系，本文应用极限梯度提升关联规则挖掘算法(Extreme Gradient Boost-Apriori，XGB-Apriori)识别城市道路老年行人交通事故风险因子。运用机器学习优化关联规则算法结构，通过机器学习库 scikit-learn 中 XGBoost (Extreme Gradient Boost)算法与SFM(Select From Model)特征选择类功能实现变量特征值的选择。进而，对Apriori算法设置有序定向约束，得到适用于交通事故致因分析的数据挖掘技术。通过逐层迭代识别关联项，选取频繁项集，总结高置信度、高提升度的关联规则。关联因素模型评估结果表明，本文采用的SFM功能准确度可达78.31%，关联规则XGB-Apriori算法较传统算法精度提升了91%。挖掘结果显示，驾驶员与行人的自身特征、车辆特征、碰撞状态以及道路特征均对老年行人交通事故的严重程度具有重要影响。其中，男性驾驶员造成的行人死亡事故频次较高，女性驾驶员造成的受伤事故频次较高；大型、重型车辆(SUV、卡车、施工车)发生死亡事故频次相对小轿车更高；位于匝道等道路线型弯曲的坡道中，老年行人发生致死交通事故的频次相对线型缓和路段更高。本文对老年行人交通事故耦合因素全面识别并针对性提出风险防控精准预判方法，为有效保护道路弱势群体提供必要的理论支持。     

基于分段学习模型的自动驾驶行为决策算法研究

在具有车道线的特定自动驾驶场景中,针对目前端到端的行为决策算法直接输入原始图像进行决策导致的网络模型迁移性差、预测精度欠佳、泛化能力不足等问题,提出一种基于分段学习模型的车辆自动驾驶行为决策算法。首先,基于GoogLeNet建立一种端到端的车道线检测网络模型,并引入车道中心线作为决策的重要线索提高算法的迁移能力,同时利用YOLOv3目标检测模型对本车道内前方最近障碍物进行位置检测;而后,经几何测量模型将两者检测结果转换成环境状态信息向量为决策做支撑;最后,构建基于长短期记忆(LSTM)网络的驾驶行为决策模型,根据编码的历史状态信息刻画出动态环境中车辆的运动模式,并结合当前时刻的状态推理得到驾驶行为参量。使用建立的真实驾驶场景数据集对模型分别进行训练、验证与测试,离线测试结果显示车道线检测模型的检测位置误差小于1.3%,车道内前方障碍物检测模型的检测精度达98%以上,驾驶行为决策网络模型表征预测优度的决定系数 大于0.7。为进一步验证算法的有效性,搭建了Simulink/PreScan联合仿真平台,多种工况下的仿真验证试验中多个评价指标均达到工程精度要求,实车测试的试验结果也表明该算法可实现复杂驾驶场景下平稳、准确无偏航的预测效果并满足实时性要求,且与传统端到端模式的算法相比,具有更好的迁移性和泛化能力。     

A context aware system for driving style evaluation by an ensemble learning on smartphone sensors data

There are many systems to evaluate driving style based on smartphone sensors without enough awareness from the context. To cover this gap, we propose a new system namely CADSE system to consider the effects of traffic levels and car types on driving evaluation. CADSE system includes three subsystems to calibrate smartphone, to classify the maneuvers, and to evaluate driving styles. For each maneuver, the smartphone sensors data are gathered in three successive time intervals referred as pre-maneuver, in-maneuver, and post-maneuver times. Then, we extract some important mathematical and experimental features from these data. Afterwards, we propose an ensemble learning method on these features to classify the maneuvers. This ensemble method includes decision tree, support vector machine, multi-layer perceptron, and k-nearest neighbors. Finally, we develop a rule-based fuzzy inference system to integrate the outputs of these algorithms and to recognize dangerous and safe maneuvers. CADSE saves this result in driver’s profile to consider more for dangerous driving recognition. The experimental results show that accuracy, precision, recall, and F-measure of CADSE system are greater than 94%, 92%, 92%, and 93%, respectively that prove the system efficiency.