Multiple USV cooperative algorithm method for hunting intelligent escaped targets北大核心CSCD

[目的]针对无人艇协同围捕过程中逃跑目标具备智能性,现有无人艇策略难以围捕成功的问题,提出一种基于双层切换策略的多无人艇协同围捕算法。[方法]第1层围捕策略采用改进势点法,以无人艇与势点的总直线距离最小为优化目标,采用匈牙利算法为无人艇动态分配势点,并采用人工势场法实现无人艇的协同避碰;第2层围捕策略利用了阿波罗尼奥斯圆的性质,在两艘无人艇前往逃跑目标的目标点进行拦截,剩余无人艇运动方向保持与逃跑目标相同,以不断缩紧包围区域;为应对逃跑目标不同的逃跑方式,第1层围捕策略和第2层围捕策略可互相转化。[结果]仿真实验表明,该算法相较于顺序分配势点算法和极角分配势点算法,围捕时间更少或持平,证明了该算法的有效性和先进性。[结论]该多无人艇协同双层围捕算法,对具备典型智能性的逃跑目标具有围捕效果。     

社会公正下的农村合作医疗改革

国家自2003年推行新型农村合作医疗制度以来,越来越多的农民被纳入到这项制度中来,并从中受益.但是,由于社会诸多因素的影响,制度的实施过程中出现了一系列现实问题与困难.本文以社会学的视野,凭借社会公正论,力求从社会资源分配的角度,对我国构建新型农村合作医疗制度的困境与出路进行探讨.     

基于Hopfield神经网络的雷达多目标跟踪

针对海上船舶雷达在多目标跟踪过程中实时性较差和不能快速响应的问题,提出目前密集杂波情况下多目标跟踪中最为有效的数据关联算法——联合概率数据关联(Joint Probabilistic Data Association,JPDA)算法。为解决JPDA随着目标增多的情况会出现的组合"爆炸"及计算量较大导致跟踪实时性较差的问题,从分析联合概率数据关联确认矩阵着手,依据Hopfield神经网络在解决旅行商问题(Travelling Salesman Problem,TSP)时的思路,提出基于Hopfield神经网络联合概率数据关联(Hopfield Neural Network Joint Probability Data Association,H-JPDA)来改进联合概率数据关联算法,通过简化矩阵拆分过程,显著减少计算量,提高跟踪的实时性。基于上述改进的神经网络联合概率数据关联算法,通过MATLAB对多目标跟踪进行仿真,仿真结果表明该算法能提高跟踪的实时性和快速响应能力。     

校企合作背景下的现代学徒制探索

近几年,随着教育改革不断深化,人们的教育思想发生了极大变化,就高校教学而言,作为我国专业人才输出基地,正在通过不断革新教学模式,提升学生的专业技能水平,校企合作就是应用较为广泛的一种方法,但是传统的校企合作模式存在很多问题,导致合作流于形式。因此,对校企合作下的现代学徒制模式研究有着鲜明现实意义。本文首先探究目前校企合作模式存在的问题,再探究合作策略,以达到高效的合作教学目的,培养更多优质人才。     

TRB2017年会——行人交通及智能交通研究综述

介绍了2017年第96届美国交通运输研究委员会年会(2017 Transportation Research Board 96th Annual Meeting, TRB2017)的概况,包括TRB的组织构架、TRB年会的组织形式及所涉及的领域等.重点介绍行人交通及智能交通2个研究领域的最新进展,并对其未来的发展进行了展望.行人交通方面,结合交通流理论与特征、应急疏散、行人等6个相关TRB(分)委员会的会议组织情况,分别从群集动力学、人员疏散、道路行人交通和客流服务与安全4个方面进行了分析和展望;智能交通方面,结合智能交通系统、自动化与互联化车辆的角色和车辆-高速公路自动化3个TRB委员会的大会组织情况以及讨论情况,分别从智能交通对驾驶安全的影响以及车路协同对交通效率和环境的影响2个方面进行了分析和展望.     

车路协同下避让紧急车辆协同换道策略

为加快紧急车辆抵达事故现场的速度,同时减少紧急车辆优先权对其他车辆的影响,运用车路协同系统,提出避让紧急车辆协同换道策略,通过调整紧急车辆下游车辆位置,实现紧急车辆高效通过路段。以紧急车辆前车（DV）及其相邻目标车道车辆为控制对象,根据相邻车道车辆间距与车车通信范围,搜索DV可换道空间间隙集。以交通流整体恢复稳定时间最小为目标,确定DV换道轨迹和相邻车道协作车辆的速度变化,引导车辆完成协同合流,既能保障车辆安全换道,还能降低换道造成的速度振荡传递。同时,为快速恢复DV换道造成的目标车道车辆速度波动,对上游车辆（UV）采取先进先出规则的换道控制策略。所提协同避让紧急车辆的策略考虑了车辆协同换道对交通流的整体影响,并在原有换道策略的基础上提出了减少速度波动传递的控制方法。案例分析结果表明：采用上下游协同换道策略最短换道时间为6s,此时紧急车辆距前车78.66 m时发送避让信号。同时研究发现,恢复交通流速度稳定所需的时间为29 s,比未采用上下游协同换道策略降低了34%。     

基于ASAE深度学习预测海洋气象对船舶航速的影响

为了有效地预测海洋气象对船舶航速的影响, 在稀疏自编码(SAE) 网络模型的基础上提出交替稀疏自编码(ASAE) 网络模型; 构建了海洋气象对船舶航速影响的预测框架, 利用关联规则方法对航行数据进行特征选择, 挖掘了船速影响因素及其隐含关系; 整合了中国远洋海运集团有限公司提供的船舶航行数据以及美国国家海洋和大气管理局提供的气象数据, 用训练样本对ASAE网络模型进行训练, 用测试样本对ASAE网络模型进行验证, 并与支持向量回归(SVR) 模型、反向传播神经网络(BPNN) 模型、深度信念网络(DBN) 模型及SAE网络模型的预测结果进行了对比。研究结果表明: ASAE网络模型的训练时间和海洋气象对船舶航速影响预测值的均方根误差分别为8.2s和0.287 3kn, 与SVR模型、BPNN模型、DBN模型及SAE网络模型相比, 训练时间分别缩短了1 683.1、66.9、2.0、1.5s, 预测准确度分别提高了0.045 5、0.296 9、0.153 4、0.178 6kn; ASAE网络模型的预测结果更符合实际海况, 可动态掌握海洋气象对船舶航速的影响; 通过预测的航速影响值来推算实际航速可为气象导航优化船舶运输过程起到辅助作用, 在进行航线规划、航速推荐等航行优化策略时能准确考虑海洋气象所产生的复杂影响, 从而改善船舶运营能效指标, 实现节能、低碳、绿色航行的宗旨。     

Recognizing metro-bus transfers from smart card data

Transfer points between metro and bus services remain an elusive, yet critical junction for transportation practitioners. Based on massive Smart Card (SC) data, previous studies apply a one-size-fits-all criterion to discriminate between transfers. However, this is not sufficiently convincing for different transfer pairs. To counter this problem, this study applies an association rules algorithm and cluster analysis to recognize metro-to-bus transfers using SC data, and demonstrates transfer recognition in a case study based on SC data collected during a week in Nanjing, China. It is shown that 85% of the transfer-recognition results are quite stable through the whole week, and the median transfer time between metro and bus is below 20?min. The method proposed in this study can be used to identify the busiest transfer points and to obtain average transfer times, which facilitates a smarter and more efficient public transit network.     

新时代高职院校培育“航海工匠”的实践探索

文中从"四个维度"构建航运文化协同育人模式,积极开展航运文化特色品牌活动、打造航运文化共享平台、建立校际师生协同交流平台、建立校内外实践基地、建立常态化校友协同交流平台、开设航运文化类通识课程等项目,实践探索培育"航海工匠"。通过实践研究,旨在解决当前我国航运类人才培养上面临的问题,为航海类高职院校培养"有技能、有文化"的"航海工匠"提供经验借鉴。     

地铁公交线路合作博弈研究

维系地铁和公交线路间的合作运输联盟,需要公平合理的分配合作产生的收益.针对这一问题,本文基于合作博弈理论,提出合作收益分配模型.考虑线路间的结构关系,将合作运输分为联合运输模式和共同运输模式,分别构建收益分配模型.在联合运输模式中,考虑不同线路在出行路径上的连接顺序,在收益函数中引入贡献度参数,重新分配路径上的合作收益...