基于发动机在环的重型柴油车实际道路细小颗粒物排放特性研究

本文中选取了一台7.8L的重型柴油机,在发动机台架上运行WHSC(世界统一稳态循环)、冷热态WHTC(世界统一瞬态循环),并通过发动机在环的方法在发动机台架上运行重型柴油车实际道路(PEMS)循环,采用能够同时测量PN10(10 nm以上颗粒物数量)和PN23(23 nm以上颗粒物数量)的颗粒计数器等设备测量了细小颗粒...     

改进支持向量回归机的短时交通流预测

短时交通流预测是实施智能交通控制的基础和保障.针对目前短时交通流预测方法拟合交通数据的能力偏弱，以及过分依赖历史数据的不足，提出一种基于深度学习回归机的短时交通流预测方法.首先构建深度学习回归机算法模型，包括受限玻尔兹曼机的显层节点输入端，受限玻尔兹曼机的若干中间层，以及径向基支持向量回归机输出端.通过实验将深度学习回归机预测方法与其他典型的短时交通流预测算法进行比较，结果表明，在相同的数据和计算平台下，本文提出的深度学习回归机预测方法精度更高，且预测实时性也能满足实际的需求.     

基于广义费用函数的城际铁路分时定价策略研究

随着我国城市群的发展,区域内部各城市之间的客流需求不断增长,城际铁路作为城市间出行的主要方式,客流在高峰、低谷时段具有明显的不均衡性。为了更加平稳有序地提供高质量服务,充分发挥票价调节供需匹配关系的作用,对城际铁路分时定价策略进行研究,构建不同时刻、不同运输方式的旅客出行广义费用函数,建立双层规划模型,优化不同时段城际铁路票价,并结合Frank-Wolfe算法和带有惯性权重的粒子群算法,求解双层规划模型。最后,以京津城际铁路为例,验证了分时定价策略可以使客流分布更加均衡,并提高铁路运输部门收益。     

基于改进极限学习机的公交站点 短时客流预测方法

以公交车IC 卡和GPS数据为基础，提出了一种基于改进粒子群算法优化极限学习机(IPSO-ELM)的公交站点短时客流预测模型.依托IC 卡和GPS 数据在站点的特征表现和内在联系，定义了站点间距，并分析了站间距和车辆到总站距离间的联系；提出了公交乘客上车站点确定方法，进而得到公交站点上车客流量；通过分析公交客流数据特征，确定ELM输入参数维度，并采用IPSO 算法找到ELM的最优隐含层节点参数；最后依托广州市19 路公交车客流数据仓库进行了方法验证.结果表明：所用优化后的ELM方法预测误差在10%以内，并与应用广泛的SVM、ARIMA和传统ELM模型进行对比分析，发现改进的ELM方法拥有更高的可靠性和泛化性能.     

基于深度学习和监测数据的桥梁损伤识别方法

为了挖掘桥梁健康监测数据蕴含的大量隐藏信息,以及改进传统结构损伤识别方法的不足之处,提出了基于桥梁监测数据的损伤识别方法。从有限元模拟数据和实际监测数据中分别提取加速度响应,并对原始数据进行了预处理。通过卷积神经网络和栈式自编码网络分别对明州大桥监测数据的可视化图像和时间序列进行识别,同时与浅层神经网络方法的识别正确率对比。结果表明:基于深度学习和监测数据的损伤识别方法不论是通过图像识别还是通过时间序列识别,都表现出优秀的性能:识别正确率达85%以上。与浅层神经网络相比,深度神经网络的损伤工况分类能力更强,识别正确率提高20%以上。     

基于PSO算法的地铁智能调线调坡系统开发与研究

为解决人工调线调坡费时费力、效率低下，且无有效评价指标评判方案优劣的现状问题，从分析线路平纵断面设计变量入手，依据规范相关规定制定约束条件，创新性地建立带有侵限容忍值惩罚项和合规性惩罚项的目标函数，提出一套基于粒子群优化算法，适用于矩形、马蹄形、圆形等多种隧道断面类型的地铁调线调坡数学分析模型，并以此开发地铁智能调线调坡系统。以长沙地铁4号线某区间右线隧道为例，对比人工设计和智能系统的调线调坡结果。由对比结果可知，智能系统在线路参数选择的合理性和改善侵限情况等方面均明显优于人工调线调坡，且具有可靠性和高效性。     

质点系相对运动参考系的平衡及其平衡位置的稳定性

本文通过对Lagrange方程结构的研究得到质点系相对运动参考系的平衡方程,并在此基础上讨论了具势的平稳与半平稳系统的相对平衡位置的稳定性。     

客运班轮动态船队规划数学模型及其求解方法研究

通过对定期客运班轮运输特点分析,构建出能全面反映运量增加显著和运量增加缓慢情况下的运力更新、运力闲置、运力购置的多目标动态船队规划数学模型,模型根据绿色的定义给出了技术、经济、环保性目标函数.其数学模型具有大规模、离散和整数的特点,计算速度随着船舶数量和船型的增加以指数形式递增,造成"维数灾"难题.采用混沌初始化、维更新、非支配档案更新及基因交换对多目标离散粒子群优化算法进行改进使其适用于大规模动态船队规划,最后通过实例验证该方法的可行性并得到了相应的船队规划结论.     

基于微粒群本质特征的混沌微粒群优化算法

在总结对微粒群优化(PSO)算法本质的主要研究成果的基础上,提出了基于微粒群本质特征的混沌微粒群优化(CPSO)算法.该算法用混沌搜索方法代替随机数产生器在较好的区域搜索最优解.为了提高粒子群的多样性,用由粒子邻域内若干个个体最优位置依其适应值加权平均得到的中心位置代替标准PSO算法的全局历史最优位置.然后,根据粒子个体最优位置与上述中心位置间的距离自适应地调整混沌搜索区域半径.用几个经典测试函数的仿真结果及与其它几种PSO算法的比较结果验证了新算法的有效性.     

NEURAL NETWORK TRAINING WITH PARALLEL PARTICLE SWARM OPTIMIZER

Feed forward neural net works such as multi-layer perceptron,radial basis function neural net-works,have been widely applied to classification,function approxi mation and data mining.Evolu-tionary computation has been explored to train neu-ral net works as a very promising and competitive al-ternative learning method,because it has potentialto produce global mini mum in the weight space.Recently,an emerging evolutionary computationtechnique,Particle Swar m Opti mization(PSO)be-comes a hot to…