基于多层事件融合的场景事件实时分析

为解决智能监控场景中场景事件实时分析问题,提出了一种基于多层事件融合的场景事件分析模型以及对应的RBPF实时推理方法.利用事件具有层次结构特性以及各层事件之间的关系,将场景事件分解为不同层次的子事件,利用多层子事件融合进行场景事件分析,并用多层动态贝叶斯网络模型对其建模.构建模型对应的RBPF推理方法,以实现对复杂场景事件进行实时分析.仿真实验证明了该方法能够对动态场景中的场景事件进行实时推理,比PF方法具有更高的精度及较少的时间代价.     

非常规突发事件的情景构建与演化分析

为了解决非常规突发事件情景演化分析过程中信息的不确定性和不完全问题,运用动态贝叶斯网络模型的理论知识,构建非常规突发事件的情景演化模型.首先,在情景构建的基础上,计算专家评分的加权平均值,以提高数据的准确性.其次,通过动态贝叶斯网络模型的数值计算和模拟仿真进行情景演化研究.最后,以简化后的兰州石化管道泄露致水污染事件为例,实现了情景演化的可视化仿真,验证了模型的可行性.仿真实验结果表明,计算结果符合实际事件演化的实际情况.     

基于分类数据样本的交通事件检测

针对当前智能交通方向研究的热点—交通事件检测算法不能达到很好的检测效果提出了将交通数据分成3类,分别是入口处数据、出口处数据和直行路段数据。在进行检测时根据需要检测数据的位置调用相对应的数据库,从而避免了交叉路口数据与直行路段数据之间的干扰,从而提高了事件检测率和降低了事件误报率,而检测时间并没有明显变动。应用朴素贝叶斯算法验证了这种方法是有效的。     

基于贝叶斯判别的驾驶行为危险状态辨识

为有效辨识危险性驾驶行为,以事故发生概率为依据,对驾驶行为的危险状态分级.采用单因子方差分析提取危险状态辨识主因子.基于贝叶斯判别构建了驾驶行为危险状态辨识模型.将在连续驾驶条件下5名驾驶员驾驶行为状态指标测试数据分为两组,分别用于标定与测试模型.测试结果表明错判率为4.3%.     

Bayesian Inference of Empirical Coefficient for Foundation Settlement

A new approach based on Bayesian theory is proposed to determine the empirical coefficient in soil settlement calculation. Prior distribution is assumed to be uniform in [0.2,1.4]. Posterior density function is developed in the condition of prior distribution combined with the information of observed samples at four locations on a passenger dedicated line. The results show that the posterior distribution of the empirical coefficient obeys Gaussian distribution. The mean value of the empirical coefficient decreases gradually with the increasing of the load on ground, and variance variation shows no regularity.     

桥梁结构非线性模型修正研究综述

针对桥梁服役期间由于结构力学性能减弱从而表现出具有时变特征的非线性振动问题,在回顾非线性模型修正发展的基础上,分别从非线性系统识别、非线性模型修正方法和非线性模型不确定性量化3个方面入手,总结了结构非线性模型修正技术中存在的一些关键问题;结合复杂结构损伤识别、性能评估与安全监测等内容,对其在桥梁结构中的应用展开了讨论。研究结果表明：以固有频率和模态振型为代表的响应特征量仅能反映时不变结构的物理特性,对于非线性结构而言其力学性能随外激励作用而不断变化,基于线性系统特征量的模型修正方法不能很好地适用于具有明显时变特性的非线性结构;结构动力响应主分量的瞬时频率和瞬时幅值包含了振动响应信号的相位信息和幅值信息,可以较为全面地反映动力荷载作用下结构响应的非平稳特性,选择具有时变特性的瞬时特征量来构建目标函数能够更为合理地表征非线性结构的动力特性;不确定性模型修正方法通过综合利用实测响应数据,考虑了测量噪声、模型误差和数值计算方法等不确定因素的影响,提高了模型修正结果的准确性;复杂结构非线性模型修正过程中涉及的参数众多,计算量大,极大地限制了其在实际工程结构中的应用,因此,合理选择具有代表性的非线性模型参数以及提高模型修正的计算效率是当前亟需解决的问题。     

基于改进D-S证据理论的车辆导航地图匹配

对传统D-S证据理论算法进行了改进,解决了证据的可信度和决策规则问题,使新的组合推理规则能够有效地处理证据中的冲突信息.并结合当前城市道路网日益复杂的实际特点,采用Pignistic概率的决策理论和基于权值D-S证据推理的地图匹配新算法,建立车辆位置信息和方向信息判决规则,有效地利用现有信息扩大各匹配道路之间的信度差异,提高了算法的鲁棒性.通过仿真和试验表明,该算法可以较好地解决城市复杂路网地图匹配问题.     

交通事件持续时间预测的贝叶斯网络模型

交通事件是引发道路交通拥堵的主要因素之一,通过实时交通诱导等手段可以降低其对交通运行造成的影响,而及时准确地预测事件持续时间则是实现有效管控的前提条件.基于 MIT 打分函数,融合自上而下的网络生长规则,引入蚁群算法寻找最优网络结构,即以 S-ACOB 算法为核心搭建最优贝叶斯网络模型.增加了节点随机选择机制及局部结构概率选择模式,降低局部最优结果生成概率,确保贝叶斯网络的健壮性.通过实例验证及对比分析,针对观测节点属性完备和缺失的情况,网络模型预测精度分别为76.97%和93.23%,平均预测精度可达87.82%,证明该模型可以有效地预测交通事件持续时间.     

诊断推理中人工神经网络与基于案例推理的结合

对基于人工神经网的诊断方法与基于案例推理的方法（Ｃａｓｅ－Ｂａｓｅｄ Ｒｅａｓｏｎｉｎｇ,ＣＢＲ）的结合进行了研究,提出了两种结合方案,针对ＣＢＲ系统建立案例库索引这一难点,方案一利用人工神经网诊断分类器的诊断结果对案例库进行索引;方案二用人工神经网为待诊断对象对立模型,对正常的状态作出预测,通过预测值与实际测量值的差异对案例库进行索引,在作了最后诊断之前两种方案都利用ＣＢＲ的推理结果对神经网的诊     

基于贝叶斯估计的短时空域扇区交通流量预测

为准确把握空域扇区流量分布态势及未来变化趋势,提出了一种基于贝叶斯估计的短时空域扇区交通流量预测方法.首先,通过解析空域系统内航空器原始雷达数据,提取各扇区历史运行信息,建立了多扇区聚合交通流模型;其次,采用贝叶斯估计理论对模型参数进行最优估计和动态更新,预测了空域扇区交通流量的未来演变趋势及其不确定范围;最后,选取国内5个典型繁忙扇区为例,以5 min为时间段,以未来1 h为预测范围,对所提预测方法进行了验证.研究结果表明:85%以上时段交通流量预测结果的绝对误差在3架以内,平均绝对误差均在2架次以内,预测结果的稳定性较好,可充分反映各空域扇区之间短时交通流的动态性和不确定性,符合空中交通的实际情况.