基于SSI-PSO的汽车碰撞试验时序数据处理与分类方法

为实现汽车碰撞试验假人响应曲线数据集的类别辨识,研究了面向智能优化算法的问题转换与构造方法。针对假人曲线数据的特征处理与分类过程,提出了一种基于社会蜘蛛粒子群优化算法（SSI-PSO）的碰撞试验多变量时序数据特征选择与分类方法;利用汽车碰撞试验采集的假人曲线数据,测试和验证了该方法。结果表明：本文方法可获得面向假人曲线数据分类的最佳特征组合方式与较小规模的神经网络结构;该方法的假人曲线分类模型性能提升17.5%、分类精度达到96.5%。因而,实现了对碰撞试验假人响应曲线标注信息的有效分类。     

强化"三种意识"不断提高依法管装治装层次和质量

强化条例法规意识，确保部队装备管理工作正规有序 一是要学条例法规，提高依法办事的自觉性。要把对条例法规的学习纳入部队政治教育计划，做到学习时间、学习内容、学习人员、学习效果等“四落实”。通过宣讲辅导、智力竞赛、讨论交流等形式，逐条逐款地弄清条例标准，使各级、各类人员学懂弄通装备管理的基本制度，掌握装备管理的各项规定，提高依法管理的能力，形成依法管装、依法洽装的良好氛围。二是要对照条例，治理装备管理的重点和难点问题。要建立、健全装备管理机制，对照条例要求，严格落实装备动用、使用、保养、保管、封存、登记、统计等规定，杜绝管理漏洞。对重点和难点问题，要集中力量进行治理，认真查找原因，深入剖析根源，制定相应的整改措施，确保整治效果。三是要加大检查督导力度。落实装备管理检查制度，在经常化、制度化上下功夫，将经常检查与定期检查、随机抽查与普遍检查相结合，以检查促管理。督促装备管理工作落实。     

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...     

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。     

动力湿化作用下粗粒土高路堤渗流场时空演化模型试验

为了研究动力湿化作用下渗流水在粗粒土高路堤内的迁移特性,自主研发设计制作一种室内喷洒降雨装置及车辆动力荷载模拟装置,开展动力湿化作用下粗粒土高路堤渗流场时空演化模型试验,从时间和空间2个角度描述渗流水在路堤内的迁移特性,然后根据模型试验结果,建立粗粒土渗流场时空演化机制,揭示动力湿化作用下的粗粒土高路堤边坡渐变失稳发育机理。研究结果表明：基于相似理论,开展粗粒土高路堤渗流场时空演化模型试验可以较为真实地反映粗粒土高路堤在动力湿化作用下渗流水的迁移特性;动力湿化作用下,湿润锋首先在路堤边坡表面形成,并逐渐从边坡表面向内部拓展,在坡顶处的拓展速率较小,坡脚处的拓展速率较大;受湿润锋演变规律的影响,路堤边坡监测点负孔隙水压力逐渐减小,体积含水率逐渐增大,坡前应力逐渐增加,位于坡脚浅层区域的应力增加速度较快;依据渗流水的迁移规律,将渗流影响范围内的土体自上而下分为浅层暂态饱和区、渗流水填充区及渗流水湿润区;在动力湿化作用下,粗粒土高路堤边坡将逐渐产生沿坡脚深层滑移的渐变趋势。     

铁路隧道下穿既有公路地层变形特性研究

文章结合张唐铁路工程燕山隧道下穿公路出口段,采用三维有限差分程序,研究分析了其施工过程中的地层变形特性、力学响应、能量积聚及塑性区分布特征.研究结果表明:公路最大沉降量小于规范要求,围岩竖向最大变形为20 mm,水平变形为16 mm;掌子面前方挤出变形明显,最大值为38 mm;边墙能量密度集中现象较显著,位于距洞壁5 m深部围岩处;掌子面前方6 m左右围岩处出现能量积聚,为掌子面稳定关键部位:塑性区主要集中在掌子面前方、拱肩、边墙及墙脚.为此,建议对掌子面进行预加固,保证墙脚和拱肩部位配筋,提高结构整体稳定性.     

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。     

表面活性氧在排气净化催化剂中作用机制的研究

针对发动机的发展趋势,结合当前机动车尾气催化剂的研究进展,对催化剂中的表面活性氧种的种类以及它们的催化活性进行了讨论;同时对表面氧种的产生、脱附、存储、迁移以及相互关系进行了归纳。此外,对它们在催化反应中的行为和作用机制的研究状况进行了综述,并提出了研究中存在的问题以及建议。