基于人-车交互的行人轨迹预测

针对行人轨迹预测具有复杂、拥挤的场景和社会交互问题,基于长短时记忆网络(Long Short-term Memory Network,LSTM)对行人与车辆、行人与其他行人的交互进行建模,提出一种基于人-车交互的行人轨迹预测模型(VP-LSTM).该模型同时考虑了行人与行人的交互、行人与车辆的交互,更适用于复杂的交通场...     

中国公路学会2007年学术年会在武汉召开

“中国公路学会2007年学术年会”于2007年9月7日在武汉召开，来自全国各地的200多名中国公路学会学会理事、获奖代表以及会员代表等参加了会议。本次会议的主办单位是中国公路学会，支持单位是湖北省交通厅，承办单位是湖北省公路学会。原交通部副部长、中国公路学会理事长李居昌，交通部科技教育司司长孙国庆、湖北省交通厅厅长林志慧等领导同志参加了会议。[第一段]     

基于Q-learning和BP神经元网络的交叉口信号灯控制

解决单交叉口信号灯最优控制问题。提出了基于强化学习的信号灯控制系统结构,应用强化学习中Q学习,将信号灯最优控制问题转变成是否切换运行相位的决策问题,提出了采用BP神经元网络实现Q学习的信号灯控制系统。应用微观交通仿真软件PARAMICS进行仿真分析,结果表明该系统能够感知交通流变化,并能够自适应地调整信号灯切换策略,以达到最优的控制效果,该方法是可行的,与定时控制相比具有明显的优势。     

中德合作汽车机电工"双元制"教学模式应用探讨

2003年中国建设教育协会与德国汉斯--赛德尔基金会联合在国内北京公交高级技校等十所职业院校推行德国"双元制"教学模式试点,我校是试点院校其中之一.结合学院教学实践阐述了试点教学的成功经验,并从深化校企合作模式、加强学生管理工作、完善和落实考核标准几个方面提出了建设性意见.     

小样本下基于迁移学习与LSTM的雾天高速公路车辆跟驰模型

由于在现实生活中能够采集到的不同雾天等级的高速公路车辆跟驰样本有限,导致雾天跟驰模型精度不佳,为此在长短时记忆神经网络（long short-term memory,LSTM）跟驰模型的基础上,采用迁移学习（transfer learning,TL）方法来提升雾天跟驰模型的性能。利用驾驶模拟实验平台搭建高速公路雾天与正常天气2种实验场景进行驾驶模拟实验,获得296组正常天气下（源域）的跟驰样本与100组雾天下（目标域）的跟驰样本。提出了基于最长公共子序列（longest common sequence solution,LCSS）的迁移样本选择方法,从源域中选出100个样本迁移至目标域中,通过扩大训练样本提升LSTM从源域、目标域特征到目标域输出的端对端泛化学习能力,得到雾天高速公路车辆跟驰模型。为对比所提样本迁移方法对LSTM模型的效用,将LSTM-TL模型与训练样本全部来源于源域的LSTM-S模型和训练样本全部来源于目标域的LSTM-T模型进行对比,LSTM-TL模型的均方误差、均方根误差和平均绝对误差比LSTM-S模型分别减小47.5%、27.7%和46.5%,比LSTM-T模型减小31.1%、17.0%和29.9%。为对比不同模型在仅有100组目标域样本时的性能,将LSTM-TL模型与Gipps、IDM、BP这3个模型进行对比,LSTM-TL模型的均方误差、均方根误差和平均绝对误差比3个模型中表现最优的Gipps模型减小18.5%、8.0%和25.9%。结果表明：直接将LSTM-S模型应用于目标域的预测,其精度不高,采用样本迁移合理可行;LCSS方法对源域样本筛选有效,由100个源域样本迁移到目标域训练得到的LSTM-TL模型的精度最高;在小样本情况下,拥有较少参数的Gipps模型预测精度优于LSTM-T或LSTM-S模型,但由于迁移学习能够从源域样本中获取知识的特性,LSTM-TL模型有着最高的精度。     

高职理实一体化教学模式研究与实施

"高职院校'三教'改革"新理念的指引下.分析"学做一体"教育教学整体框架特性,提出理实一体教学的实施条件,提高"学做一体"理实一体化教学模式改革中的重点与难点,不断提升高职人才培养质量.     

基于迁移学习的桥梁表观病害检测技术研究

桥梁表观病害检测是保证桥梁设施安全的关键技术之一。深度卷积网络因其强大的特征提取能力,被广泛应用于土木工程领域的结构病害识别与检测,然而在土木工程领域中往往缺乏用于训练深度学习网络的高质量大规模病害图像数据集。针对上述问题,提出一种基于迁移学习的桥梁表观病害检测方法。该方法运用迁移学习技术,通过迁移VGG16网络模型结构及全部卷积层参数,并在迁移后的模型结构上添加新的全连接层,以此来解决训练数据集不足的问题。运用动态学习率调整策略,以不同的学习率对卷积层和全连接层参数分别进行微调,用于提高模型的识别准确率。实验对比ResNet18,ResNet50,VGG19,VGG16等主流深度学习网络模型,该方法在验证集上取得了最高准确率,为98.86%。用实拍的未经过处理的桥梁表观病害图像数据集进行测试,该方法的整体结构表观病害识别准确率达到88.33%,其中泛碱、露筋和裂缝3类病害的测试准确率分别达到96.25%,80.00%和88.75%,具有较高的病害识别准确率,可以用于在役桥梁表观病害识别。     

基于改进型D3QN深度强化学习的铁路智能选线方法

传统的人工选线方法劳动强度大,设计效率低,随着我国铁路建设重心向西部复杂艰险山区转移,人工选线面临的困难日趋凸显。为缩减铁路选线的人力物力成本,提高设计效率,亟需发展结合了人工智能和信息技术的现代选线技术。为此,提出一种基于深度强化学习理论的铁路智能选线方法。以带有空间属性信息的数字高程模型为选线环境,以相邻空间点间的建造费用为即时奖励,以工程建造费用最小为优化目标,设置离散化的备选动作,考虑多种约束条件,构建面向铁路选线的深度强化学习模型。结合深度学习的感知能力和强化学习的决策能力,利用双竞争深度Q学习网络(DuelingDouble-Deep Q Network,D3QN)对模型进行训练,既克服强化学习问题对复杂状态和动作空间难以收敛的缺点,同时解决了传统DQN算法易于出现过估计、训练不稳定的问题,实现自动对选线环境进行感知、搜索、判断、决策,最终寻得目标函数最优的线路方案。以某山区铁路对本方法进行验证,实验结果表明：该方法能搜索到多样化的线路备选方案,可以为设计人员提供新的设计思路;有效降低了铁路建设的经济费用,较人工选线方案节约最多达17.5%。智能选线方法可以帮助节省选线工作...