受限状态下的高速列车迭代学习控制方法研究

针对受限状态下的高速列车自动驾驶系统的跟踪控制问题,基于列车动力学模型,提出一种带饱和函数的迭代学习控制算法。根据Lyapunov稳定性原理,利用列车运行过程中的状态偏差,推导出基于迭代学习控制的列车自动运行控制律。建立类Lyapunov的复合能量函数,通过在迭代域的差分,证明了其差分负定性和有界性,所设计的算法能够控制列车在迭代域对期望运行轨迹达到渐近收敛。采用本文提出的迭代学习控制算法对列车的跟踪性能进行验证,并与PID控制和D型迭代学习控制算法进行比较,结果表明:相较于其他两种算法,本文提出的算法在第3次迭代中就能控制列车精确跟踪期望轨迹,说明算法具有较快的收敛速度和较高的跟踪精度,且能够将控制输入约束在允许范围内。     

信号博弈下的交叉口TSCA间的协调学习模型的构建

针对路网中交叉口之间交通流的关联性、动态性及不确定性，应用了信号博弈作为交叉口交通信号控制agent（TSCA）间协调的模型，以分布式Q强化学习中Q值更新来进行其效用函数的学习，通过引入记忆因子对奖惩函数进行设计，及相邻交叉口之间的影响建立权值函数，构建了协调学习的仿真实现流程，并通过实验仿真验证此模型的有效性。     

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。     

浅谈用铁的手腕进行海事管理

水上交通安全关系国家经济建设,关系全国人民生命财产的安全,同样需要我们针对现阶段水上安全情势用铁的手腕来管理。提出用铁的手腕抓安全,是现阶段安全管理情势的需要,也是落实科学发展观,坚持以人为本的具体行动。     

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.