基于机器学习的地铁轨道几何劣化规律个性化建模研究

较高的轨道平顺性是保障地铁列车安全舒适运行的基础,准确掌握地铁轨道的劣化规律对保障轨道质量具有重要意义。根据地铁线路特点,选择影响地铁轨道质量劣化的7类异质性因素,给出赋值模型,并基于机器学习方法建立轨道质量指数(track quality index,TQI)短时预测前馈神经网络模型。为了验证模型,采集了北京地铁1号线的线路设备数据及2016年8月15日至2019年2月18日间的17次TQI检测数据,形成训练数据集和测试数据集,并采取深度学习技术,利用训练数据集对该模型进行训练。基于测试数据集的模型预测值的可决系数为0.938,平均绝对百分比误差为4.80%,结果表明该模型是有效的且具有较高的预测精度。     

基于集成学习模型的城市轨道交通车载数据分析与列车停车误差预测

提出了一种基于Stacking策略的集成学习模型算法。通过基础模型算法评估阶段和基础模型算法集成阶段,成功选出K个基础模型,并基于模型集成策略完成了模型的集成工作,最终得到了基于Stacking策略的集成预测模型。基于实际案例,使用该集成模型对列车停车误差进行预测,并对预测结果进行验证。验证结果显示,基于Stacking策略的集成学习算法模型的训练效率高、预测精度高,与其他传统模型相比具有较强优势。     

施工索赔方法初探

通过对我国施工索赔现状进行分析,指出施工单位面临的技术与环境风险、经济风险、合同签订和履行方面的风险,同时也是可能进行索赔的机会。针对可能的索赔机会,提出索赔处理的基本原则,并分别对费用索赔和工期索赔的方法进行论述,为了提高索赔的成功率,此文还介绍了索赔的一些技巧。     

高职高专学生英语学习中负迁移现象的成因与阻断

本文对高职高专学生英语学习的现状进行了分析,认为造成此现象的原因主要是学习过程中的负迁移引起的,文章最后提出了减少英语学习负迁移的几种措施。     

关联规则挖掘在研究生个人学习计划制定中的应用

介绍了关联规则挖掘算法Apriori及其在研究生专业课程间的关联规则发现中的应用，所发现的规则用于辅助新研究生进行个人学习计划制定。可减少研究生在个人学习计划制定中的盲目性，提高所选课程与学科专业研究方向的吻合度。     

高职教学中实施探究性学习的尝试

本文通过在高职教学实施探究性教学过程中学生和教师的角色互换所产生的积极影响，尝试探索在高职教育中培养创新型人才的新途径。     

当代大学生应该从追求“学历”走向追求“学力”

当今的社会“学力”重于“学历”．这就要求当代大学生摒弃被动学习的行为，树立终身学习的观念，掌握科学的学习方法，以适应新时代的要求．     

基于神经网络的路口交通流转向比预测

为了预测路口交通信号控制所需的转向交通流量,提出了基于改进BP(back-propagation)神经网络的路口交通流转向比预测模型,给出了相应参数的计算方法;采用自适应学习率和动量梯度下降法以提高神经网络的学习速度和算法的可靠性,并用调查数据对模型进行了检验.研究结果表明,与传统的平均值法相比,用所提出的模型,平均绝对相对误差减小约1%~3%.     

微格教学原理在专业技能强化训练中的应用

运用微格教学法对学生进行专业技能强化训练，是教学改革的新尝试，教学实验表明：引用微格教学法于专业技能训练是对传统教学模式的有效补充和完善．对学生掌握和提高专业操作技能有积极的促进作用．     

基于语音特征迁移学习的驾驶疲劳检测

针对现有方法在实际应用时的标记样本稀缺与测试样本数据分布偏移等问题,提出一种基于语音特征迁移学习的驾驶疲劳检测方法。通过基于迁移学习的特征空间变换,对源领域有标记样本与目标域无标记样本数据间的边缘分布、条件分布、流形结构进行联合适配及降维处理,以解决样本数据分布偏移和特征维度过高的问题。以半监督学习的方式来迭代优化目标域样本的伪标记,并据此不断更新特征变换方式和迁移分类器,进而提高疲劳检测模型的精度和泛化能力。通过实验将本文方法与现有常用的监督学习、半监督学习和迁移学习等方法进行对比。结果表明,在测试时间、应用场景和被试个体均发生变化的情况下,本文所提方法的驾驶疲劳检测效果显著优于现有方法,正确率最高达到86.7%,具有实际应用价值。