考虑健康损失的路阻模型的构建

运用高斯烟羽模型计算机动车尾气排放量,然后利用支付意愿法定量分析健康损失,同时考虑延误和健康损失构建考虑健康损失的路阻模型。根据实例,分别使用Transcad和新的路阻模型计算出2个路阻,并进行交通分配。结果显示2次交通分配的路网流量不同,表明考虑健康损失的路阻模型影响了人们的出行选择,可有效解决主干路拥挤,增加次干路车流量,协调整个路网车流量均衡,提高路网交通效率。     

非高斯非平稳背景噪声中的信号检测方法

在非平稳非高斯背景噪声下,使用经典信号检测理论对信号进行检测往往难以达到理想的效果。文中利用小波包变换,通过将信号及噪声变换到小波包系数域,使得噪声在某些尺度及子空间上的小波包系数成为近似乎稳高斯噪声,从而运用信息融合的思想和经典信号检测理论的分集检测方法,对非平稳非高斯噪声下的确知信号检测问题提出了一种新的检测算法。仿真实验表明该方法是经典信号检测理论的有效推广。     

基于卡尔曼-高斯联合滤波的车辆位置跟踪

车辆位置的精确、可靠获取,一直是阻碍智能驾驶技术的难题.特别当车辆处于复杂道路环境中时,车辆卫星定位信号易受较大干扰,使车辆定位产生漂移现象.针对车辆定位的这种漂移现象,研究了针对车辆位置跟踪的卡尔曼-高斯联合滤波方法.对于车辆卫星定位受到的干扰不同,采用分层处理的滤波方法;针对卡尔曼滤波不能较好地滤除一些干扰较大的位置漂移点,通过设置与车速、航向角等相关的动态阈值,对卫星定位的车辆位置进行动态阈值判断;通过动态阈值识别出的车辆位置漂移数据,结合高斯过程回归,以车辆的历史数据作为学习样本,使用预测值和真实观测值构建补偿量,通过对卡尔曼观测方程加入动态观测补偿实现车辆位置优化;对于一般噪声产生的卫星定位波动,联合滤波也可以有效优化.实车实验表明,该方法可以有效识别出车辆定位的漂移点,车辆卫星定位在信号受较大干扰的情况下,车辆卫星定位的精度可以提高30%左右,最大误差由9 m降低到0.8 m左右.该联合滤波方法在使用低成本定位装置的情况下,有效提高车辆卫星定位的精度及可靠性.      

有移动热源的海上大空间通风技术研究

由于有某种热源在海上大空间内移动,使得大空间通风系统也与其他一般大舱空间的通风系统不同.目前国内外对海上大空间通风系统尚无明确的规范及要求.在对大空间通风进行模型试验研究和相应的计算机模拟计算基础上,确定大空间通风系统初步方案,为大空间通风系统设计提供科学合理的试验和理论依据.     

水文极值I型分布参数拟合方法的探讨

文中指出了工程设计中线性最小二乘法在求解Gumbel分布参数时存在的问题，以高斯－牛顿法为基础，真正实现了理论频率与实际频率残差平方和最小这一适线准则下Gumbel分布的最佳拟合。算例表明，新的算法收敛速度快，所得曲线与实测点据拟合较好。     

基于深度强化学习的车辆跟驰控制

针对自适应巡航控制系统在控制主车跟驰行驶中受前车运动状态的不确定性影响问题，在分析车辆运动特点的基础上，提出一种能够考虑前车运动随机性的跟驰控制策略。搭建驾驶人实车驾驶数据采集平台，招募驾驶人进行实车跟驰道路试验，建立驾驶人真实驾驶数据库。假设车辆未来时刻的加速度决策主要受前方目标车辆运动影响，建立基于双前车跟驰结构的主车纵向控制架构。将驾驶数据库中的驾驶数据分别视作前车和前前车运动变化历程，利用高斯过程算法建立了前车纵向加速度变化随机过程模型，实现对前方目标车运动状态分布的概率性建模。将车辆跟驰问题构建为一定奖励函数下的马尔可夫决策过程，引入深度强化学习研究主车跟驰控制问题。利用近端策略优化算法建立车辆跟驰控制策略，通过与前车运动随机过程模型进行交互式迭代学习，得到具有运动不确定性跟驰环境下的主车纵向控制策略，实现对车辆纵向控制的最优决策。最后基于真实驾驶数据，对控制策略进行测试。研究结果表明：该策略建立了车辆纵向控制与主车和双前车状态之间的映射关系，在迭代学习过程中对前车运动的随机性进行考虑，跟驰控制中不需要对前车运动进行额外的概率预测，能够以较低的计算量实现主车稳定跟随前车行驶。     

新能源汽车的多热源分段协同制热系统

为减少纯电动车采暖耗能,设计了一种多热源分阶段协同控制暖风的方法。对电动车制热系统的热量进行了数值分析,在此基础上,提出了一种基于电池冷却余热、电机冷却余热和热泵空调制热的多热源制热方式。优化了多种热源的分布区域,建立了多热源制热量之间的关系,提出了分段协同制热的控制方法。该方法可综合汽车室外温度差异、制热部件放热顺序和乘员舒适性需求,合理选择暖风的工作模式。探究了分布式多热源制热时汽车各区域温度的分布规律。开展了暖风空调的低温试验,以揭示该方法与新能源汽车常规供暖之间的差异。试验结果表明,在环境温度-22℃条件下,该暖风系统工作2 h节能60%,在-5℃条件下则无需动力电池能量,验证了所提方法的优越性。     

基于GBRBM-DBN模型的短时交通流预测方法

为提高城市道路短时交通流预测的精度和效率,提出了一种基于深度学习的短时交通流参数预测模型,结合高斯-伯努利受限波尔兹曼机、Softmax回归模型和深度置信网络,对大规模路网中地点车速进行预测.该模型在网络底层加入高斯-伯努利受限波尔兹曼机,将传统二值输入转换为连续实值输入以适应地点车速的数据特征.在网络输入、输出矩阵中加入时空特征表达,并将深度置信网络顶层接入Softmax回归模型,根据深度学习模型提取到的地点车速时空特征对多路段多时刻的地点车速进行预测.选取广州市大规模路网中60条路段60 d的实测地点车速对网络结构和参数进行调试,并分析预测结果.结果表明,GBRBM-DBN网络结构能够提取大规模路网中地点车速的时空分布特征,预测精度较高.与长短时记忆循环神经网络预测结果进行对比,具有更高的时效性;与“深层模型+小规模数据”相比,平均绝对误差减小10.13 km/h,平均相对误差减少14.5%;对输入矩阵中的训练集和测试集数据量比例作不同划分,平均绝对误差变化范围在1.64 km/h以内,平均相对误差仅增大7.3%.      

大型耙吸挖泥船“新海虎”号的轮机设计

文章描述了“新海虎”耙吸挖泥船轮机系统的设计，包括采用复合驱动的动力系统、功率管理系统、热源系统、冷却系统和泥泵封水系统的设计。     

基于混合高斯背景的交通视频分析

在将道路监控视频转单帧后,利用灰度变换、锐化、滤波、二值化等方法对图像进行预处理,以高斯混合模型对图像前景提取,进行边缘检测获取较为清楚的前景车辆图,在摄像机标定基础上,建立路面车辆和图像像素点的映射关系,再以虚拟线在图像上作计数依据,进而获得车流量。同时通过对普通背景差分模型与高斯混合背景模型的比较分析,选用高斯混合背景模型对预处理之后的图像进行背景分割。并结合粘连图像分割和阴影处理算法,对前景图像进行修复,得到良好的前景目标。采用高斯背景模型对样本视频处理,得到了满意的监控分析结果。