隧道围岩变形预测的进化高斯过程回归模型

隧道施工围岩变形预测是关系到隧道施工安全和工程质量的关键,至今已出现多种预测模型,但也存在各种问题。本文将高斯过程回归(GPR)引入隧道施工围岩变形预测以克服现有模型存在的问题,针对目前采用共轭梯度法获得GPR模型最优超参数的缺陷,将十进制遗传算法(GA)与高斯过程回归算法相耦合,采用遗传算法在训练过程中自动搜索GPR模型最优超参数,形成GA-GPR算法,并编制相应的计算程序。为了对比,采用遗传算法与支持向量回归(SVR)算法相耦合,形成GA-SVR算法,将这两种算法程序应用于黄榜岭隧道施工围岩变形预测。计算结果对比表明:本文提出的进化高斯过程回归算法明显提高了预测精度,并为类似工程提供借鉴。     

脉冲加热源的特性研究

脉冲加热源是我们实验室自行研制的脉冲加热成像无损探伤系统的关键部分。本文通过一系列的实验首次研究了脉冲加热源的时间特性和空间特性和空间特指出了时间特性和空间特性的主要因素，为该无损探伤系统进一步研究提供了可靠的实验数据。     

一种优化的Canny边缘检测算法

在对Canny边缘检测理论研究基础上,针对Canny边缘检测算法在高斯滤波、梯度计算和高低阈值的确定上的缺陷,提出一种改进的小波变换法,替代高斯滤波,实现对图像的降噪,同时,优化了原有梯度幅值和方向的计算方法,采用改进的迭代算法对高低阈值进行计算。运用MATLAB仿真实验对比优化后的Canny边缘检测算法与传统Canny边缘检测算法。结果表明,优化后的Canny边缘检测算法可使检测结果拥有更多的边缘细节,提高了检测的精度和准确度。     

自适应期望跟车间距和行为习惯的驾驶人跟驰模型

为满足智能车辆的个性化需求,提高智能车辆人-机交互协同的满意度和接受度,构筑双层驾驶人跟驰模型框架,提出自适应驾驶人期望跟车间距和行为习惯的个性化驾驶人跟驰模型。首先,提取个体驾驶人跟驰均衡状态的数据,采用高斯混合和概率密度函数(GaussianMixture Model and Probability Density Function, GMM-PDF)建立第 1 层模型,即驾驶人期望跟车距离模型。然后,将期望跟车距离参数引入模型,基于高斯混合-隐马尔可夫方法(GaussianMixture Model and Hidden Markov Model, GMM-HMM)学习驾驶习性,建立第2层模型预测加速度,即个性化驾驶人跟驰模型。其次,研究不同高斯分量个数对模型效果的影响,对比双层模型与 Gipps 模型、最优间距模型(Optimal Distance Model, ODM)、单层模型及通用模型的性能。最后,8位被试驾驶人的自然驾驶行为数据验证结果表明：高斯分量数量与模型性能存在一定的正相关性;在最优高斯分量数量下,8位被试驾驶人在训练集上预测误差均值为0.101 m·s-2,在测试集上为0.123 m·s-2;随机选取其中1位驾驶人的2个跟车片段数据进行模型计算,结果显示,加速度的平均误差绝对值分别为0.087 m·s-2和0.096 m·s-2,预测效果优于Gipps模型、ODM模型、单层模型及通用模型30%以上,与驾驶人实际跟驰行为的吻合度更高。     

考虑交通运行条件影响的驾驶员特征聚类

为提升驾驶员特征聚类方法的适用性与可靠性,本文基于机动车运行轨迹分析提出考虑交通运行条件影响的驾驶员特征聚类改进方法。首先,经过对车辆运行轨迹数据的分析发现,不同道路类型和平均速度条件会显著影响驾驶行为的集计特征;其次,提出改进的驾驶员特征聚类方法,第1步设计考虑道路类型与平均速度因素的车辆轨迹的切片和分类方法,从而稳定提取典型交通条件下的驾驶行为特征参数,第2步选用高斯混合模型聚类驾驶员特征。聚类案例表明,在相同的道路类型和平均速度条件下,驾驶员类型越激进,其速度变异系数、加速度标准差和平均减速度等参数均值越高。不同聚类方法的对比表明,改进方法在驾驶员聚类的类内聚集度和类间分离度方面均表现更好,能有效提升驾驶员聚类的适用性与可靠性。     

计算机视觉技术在列车行李遗留检测上的应用

利用计算机视觉技术,通过帧差法和YOLOv3目标检测算法实现了列车车厢内遗留行李的自动检测和识别,检测效果良好。