基于机器学习的柴油机碳烟颗粒质量排放预测模型

基于SC7H涡轮增压柴油机试验台架,开展了非道路瞬态试验循环下的柴油机排放试验,研究了瞬态循环的工况对碳烟颗粒质量浓度的影响。收集与碳烟颗粒质量浓度相关的各类传感器数据,构建一个大型的柴油机碳烟排放数据集。构建LGB梯度树模型和循环神经网络模型,采用数据集对它们进行训练,然后采用自学习算法对两种模型进行融合,获得一个更高准确度的预测碳烟质量排放融合模型。预测与实测结果的比较表明,构建的融合模型能较为准确地预测柴油机排放的即DPF入口的碳烟质量浓度实时变化,为柴油机后处理过程中碳载量的准确计算以及控制策略的开发提供参考。     

基于机器学习的锂离子电池荷电状态多步预测

先进电池管理技术依赖于对未来一段时间荷电状态变化的预测，难点在于误差积累和时间依赖性降低引起的预测精度下降。提出采用机器学习结合多步预测策略来提升荷电状态多步预测精度，利用实际锂电池数据研究了不同多步预测策略的效果。结果表明，实际锂电池荷电状态预测在充电过程中具有显著线性特性，放电过程表现出非线性特性。预测步长为 15个时，LR模型、KNN模型、RF模型的 MAPE均低于 6%，R2均大于 0.90。线性回归结合 MIMO策略具有最大的实际应用潜力。     

基于特征提取和机器学习的异常数据识别算法

结构健康监测系统的大力发展每天都在产生大量的监测数据。对于结构健康监测系统来说，判断这些产生的监测数据是否正常是对结构健康状态进行分析的第一步，也是关键的一步。同时，监测数据的异常与否也是判断传感器、采集设备、传输设备等是否正常工作的关键性依据。对于一段数据进行识别，判断数据是属于什么样的异常，是一个多分类的问题。采用基于特征提取和机器学习相结合的算法，对时序数据进行分类，能够快速地判断数据是否异常和异常的类型。     

车载网络入侵检测技术综述

智能网联汽车促进了交通运输的革新与发展，同时也伴生了网络安全问题，给用户的生命、财产造成了巨大的威胁。入侵检测技术作为一种轻量化的防御技术，能够通过建立的特征对攻击进行有效检测，从而完成对攻击的进一步分析与防御。从广泛使用的车载网络出发，调研了近年来针对常见攻击所提出的入侵检测技术，并对这些技术的特征与方法进行了划分，体现了不同技术之间的先进性与局限性，为车载网络入侵检测技术的研发提供了借鉴。     

基于Lamb导波深度学习的钢桥面板疲劳裂纹智能监测研究

正交异性钢桥面板疲劳开裂问题突出，传统方法难以实现有效监测，可采用对钢结构裂纹高度敏感的Lamb导波信号进行裂纹监测。考虑Lamb导波在钢桥面板上的不同传播方式，建立钢桥面板有限元模型，并开展导波传播数值模拟；通过连续小波变换提取得到导波的主要特征，并运用深度学习技术挖掘导波特征中的疲劳裂纹信息，实现对钢桥面板疲劳裂纹的智能监测。结果表明：导波纵向和横向传播模式下的导波特征均能很好反映各类裂纹的影响，且2种传播模式之间可实现裂纹监测需求的有效互补；经过学习训练后的深度置信网络可实现对4 mm及以上长度裂纹的高准度识别，对裂纹深度的测量误差也在1 mm以内。研究成果为Lamb导波传感技术在钢桥面板疲劳裂纹监测中的应用提供了重要依据和方法参考。     

基于时-空注意力机制的车辆轨迹预测

城市交通环境中车辆的驾驶行为随机性较高，且驾驶人驾驶风格迥异。为了解决复杂交通环境下车辆行驶轨迹难以精确预测的问题，在社会生成对抗网络(Social GAN)的基础上，考虑车辆的行驶速度、加速度、航向角等行驶状态参数和形状尺寸，建立车辆间交互影响力场模型，提出一种基于时-空注意力机制的车辆轨迹预测算法(SIA-GAN)。根据受到场景中其他车辆交互影响力的大小赋予其他车辆不同的空间注意力权重因子，重点关注对自车行驶影响较大的车辆信息，并结合时间注意力机制挖掘自身车辆对观测时段内历史轨迹特征向量的时间依赖性，得到车辆预测轨迹。为验证所提算法的有效性，在开源数据集上对算法进行迭代训练，并与LSTM、Social LSTM、Social GAN三种轨迹预测算法进行对比分析。研究结果表明：SIA-GAN不仅在训练时的收敛速度上有较大提升，且与现有其他轨迹预测算法相比在平均位移误差、最终位移误差、平均速度误差、平均航向角误差等评价指标均有大幅下降，预测3.2 s时各项指标平均降低了51.25%、60.1%、37.84%、13.75%;预测4.8 s时各项指标平均降低了52.78%、61.47%、3...     

双注意力引导的跨层优化交通场景语义分割

针对交通场景目标分割边缘不平滑以及小目标难以准确分割等问题，本文提出一种双注意力引导的跨层优化交通场景语义分割算法。首先，构建多分支特征提取编码网络，并利用串行非比例式空洞卷积实现空间上下文信息提取，进而改善小目标信息的丢失；其次，构建基于空间对齐的跨层特征融合解码网络，实现语义信息和细节信息的融合，增强不同尺度目标的表达能力；最后，提出通道和空间注意力机制，建模全局通道相关性和长距离位置相关性，增强网络对关键特征的学习能力。交通场景数据集Cityscapes和CamVid上的实验结果表明，所提特征提取编码网络、跨层特征融合解码网络以及注意力机制模块是有效的；所提语义分割算法获得了77.79%和78.66%的平均交并比，能够平滑目标分割边缘，尤其对细长条形目标具有鲁棒性。     

耦合深度学习-运动学的自动驾驶一体化换道研究

现阶段主流算法都面临着数据量不足导致的模型无法完全应对所有场景，从而造成换道失败或者影响换道过程中的安全性。提出了一种新的耦合深度学习-运动学的自动驾驶换道一体化模型。该模型基于经典BP神经网络，对神经元中的激活函数进行替换，从而克服已有模型的不足。通过CarSim仿真来研究了本模型产生的自动驾驶车辆换道轨迹的可跟踪性，结果显示本模型可以更好地学到人类的安全换道行为，可推广使用。