基于改进OLS算法的RBF神经网络 高速公路事件探测

提出了一种基于模糊聚类技术和RBF神经网络的混合智能高速公路事件自动探测算法,同时改进了用于RBF神经网络训练的Oils(正交最小二乘)选择算法.仿真实验证明,改进的OLS选择算法大大提高了RBF神经网络的训练速度同时具有无须事先确定RBF中心的优点,将之运用于公路事件探测可以获得满意的性能.     

基于模糊聚类算法的船舶故障诊断技术

由于大型设备故障症状与故障原因之间关系十分复杂，使得传统诊断方法在实际应用中效果不理想。研究采用模糊C-均值聚类算法，将被诊断对象间故障和症状的特征通过建立模糊关系矩阵进行了故障分类，用当前所得的故障征兆群与过去该设备故障征兆结果相对照，找出最相似的结果，从而确定其故障。通过船舶主机轴系诊断的实例，充分证明了该方法的有效性。     

Cluster-based correlation of severe driving events with time and location

In this article, a systematic strategy is proposed to identify severe driving events occurrence correlation with time and location. The proposed approach, which is constructed based on batch clustering and real-time clustering techniques, incorporates historical and real-time data to predict the time and location of severe driving events. Batch clustering is implemented with the combination of subtractive clustering and fuzzy c-means clustering to generate clusters representing the initial correlation patterns. Real-time clustering is then developed to create and update real-time correlation patterns on the foundation of the batch clustering using the evolving Gustafson–Kessel like (eGKL) algorithm. In both clustering processes, the correlation of the events within time domain is identified first, and then two different levels of accurate correlations are conducted for the location domain. Real-time data of operating vehicles each equipped with a data acquisition and wireless communication platform are used to validate the proposed strategy. Batch clustering results reveal the severe braking events distribution and concentration at daytime and nighttime. Real-time clustering provides and updates the variation of the correlations/intercorrelation of different regions. Drivers can be notified of the potential severe driving locations through maps showing the driving routes. Through the variation of the correlations, drivers can recognize the events occurrence at different times and locations. The generated time series can be potentially used to develop spatial-time models for regions to model and forecast the events occurrence.     

Classifying Ports for Efficiency Benchmarking: A Review and a Frontier-based Clustering Approach

Abstract

Port efficiency and port clustering are two aspects that have received different degrees of attention in the existing literature. While the actual estimation of port efficiency has been extensively studied, the existing literature has paid little attention to developing robust methodologies for port classification. In this paper, we review the literature on classification methods for port efficiency, and present an approach that combines stochastic frontier analysis, clustering and self-organized maps (SOM). Cluster methodologies that build on the estimated cost function parameters could group ports into performance metrics’ categories. This helps when setting improvement targets for ports as a function of their specific cluster. The methodology is applied to a database of Spanish port authorities. The dendrogram features three clusters and five outlier Spanish Port Authorities. SOM are employed to track the temporal evolution of Spanish Port Authorities that are of special interest for some reasons (i.e. outliers). Results show that use of a combination of cost frontier and cluster methods to define robust port typology and SOMs, jointly or in isolation, offers useful information to the decision-makers.     

矢量地图的一种非盲数字水印算法*

运用聚类思想,采用K-means算法,对矢量地图线图层进行聚类运算,在此基础上提出了矢量地图的一种非盲数字水印算法。对分类后的数据,提取其坐标值中的小数部分,采用量化嵌入方法,把水印图像二值化得到的0,1二值序列,嵌入分类后的载体数据中,完成水印信息的嵌入。实验证明,此算法对图形数据的平移、增点、删点、裁剪、压缩等攻击具有较好的鲁棒性。     

考虑电动公交在途特性的电池状态梯次划分

电动公交电池容量衰减造成里程焦虑增加、服务可靠性降低、电池资源浪费等问题。因此,评估和发现电动公交实际运营过程中影响电池健康状态的关键因素并划分电池状态尤为重要。基于电动公交长时间实际行驶过程中的充放电数据,结合安时积分法与最小二乘拟合建立电池容量估计模型,并据此计算各充放电片段的电池健康状态。进一步考虑电动公交在途特性,从电池组充放电属性、车辆行驶工况、公交营运状态3个角度提取可能影响电池健康状态的相关因素,并采用因子分析法将影响因素组合为12个影响因子,使用随机森林回归构建电池健康状态预测模型,从而根据预测结果的准确性反推获得各影响因子的重要度。最后考虑不同影响因素的重要度,利用加权聚类算法梯次划分电动公交电池健康状态为4个类别,下降梯度分别为-0.013 6、-0.011 9、-0.003 4、-0.002 8,并通过对比研究发现了同一条线路不同梯次的车辆电池组在放电深度、速度标准差、最大加速度和刹车次数等影响因素上的差异。研究结果表明:车辆荷载、电池电流释放情况、车辆行驶中速度的变化、电池的使用时间、线路拥挤状况以及电池充电深度大小对于电池健康状态的影响程度较大,而在公交营运状态相同条件下,驾驶人的行为对电池健康状态衰减程度有着较大影响。     

基于卷积自编码的沥青路面目标与裂缝智能识别

目前基于深度学习的路面裂缝识别经常面临训练数据集小，以及路面图片标注成本高等问题，基于小规模路面图片数据集，利用卷积自编码（CAE）方法进行数据增强，开展包括路面裂缝在内的路面目标智能化识别方法研究。在传统图像几何变换数据增强的基础上，采用CAE重构图片方法对原始数据集进行两步骤扩增；利用卷积神经网络DenseNet，设置了不同数据扩增方法的对比试验；针对沥青路面裂缝图片背景较黑，裂缝特征不清晰，无监督聚类学习难度大等问题，采用了一种基于CAE预训练的深度聚类算法DCEC，对经数据增强的路面图片进行无标注的聚类识别。研究结果表明：经过DenseNet网络100代的训练，在同一测试集的测试下，基于原始数据集训练的网络分类准确度为78.43%，利用传统图像处理方法进行扩增后准确度为83.44%，利用所提出的图片增强方法进行数据扩增后准确度达87.19%；在保持扩增后数据集样本量大小相同的情况下，与几何变换、像素颜色变换等经典数据增强手段相比，CAE重构图片的数据扩增方法有较高的路面图片识别精度；CAE数据扩增方法较受训练数据集样本量的影响，利用传统方法将数据集扩增后进行CAE特征学习，重构后的图片样本更易被机器识别；相较于传统机器学习聚类算法，所提出的的DCEC深度聚类方法将聚类准确率提升了约10%，初步实现了无需人工标注的路面目标的端到端智能识别。     

空间聚集法在沥青路面裂缝自动检测中的应用

沥青路面施工质量与效果直接决定了道路的使用安全与寿命。然而,受到各类因素的影响其路面裂缝不可避免,在裂缝的影响下地表径流以及承载应力会形成对路基的冲刷与损害,进一步提升了道路病害出现的可能。在此基础上,通过构建空间聚集法的方式对沥青路面裂缝进行检测与评价不仅能够有效地收集所需信息,还能够在自动化与函数化的基础上提供更为准确的评价结果。     

一种优化的船体外板三维点云数据提取方法

针对水火弯板机检测系统中船舶外板三维点云数据自动提取过程存在边缘噪点、板下贴合垫木识别效率低以及外板边缘拟合等问题,提出一种优化DBSCAN聚类算法,首先根据现场加工环境精简点云,利用网格划分来建立外板点云拓扑模型,然后根据DBSCAN密度聚类算法搜索出外板点云,最后采用最小二乘法进行边缘拟合。结果表明,该算法能有效识别外板边缘,提取出外板点云。     

基于模糊聚类和判别分析的交通状态提取算法

针对交通状态的模糊性和不确定性,在综合考虑交通流3个参数（流量、速度、占有率）的基础上,设计了城市道路交通状态提取算法。采用模糊聚类技术,对覆盖所有交通状态的历史数据进行聚类分析;根据聚类结果,对交通数据进行判别分析,判断其所属交通状态;用实测交通数据进行了状态提取实验,并和问卷调研的统计结果进行了对比分析,结果表明该方法能够有效地进行交通状态的提取,可以准确反应道路使用者的真实感觉。