秦沈客运专线通信工程设计

主要从传输系统 (包含传输线路 )、电话交换系统、专用通信系统及电源系统几个方面介绍秦沈客运专线通信网的构成、设备及通信线路制式、容量的设置情况     

GPS在测绘生产中的应用

就本单位在城市GPS网及基础测绘项目中GPS测量、GPS数据处理作了介绍和讨论 ,并提出了GPS在测量应用中值得探讨和关注的问题     

一种简单环网供电方案的研究

本文介绍了一种设备简单、投资低、工程量小、施工周期短、自动化程度高的简单环网供电方案及相应的配网自动化系统;具体分析了配网自动化系统的可靠性、短路保护及自动装置功能及简单环网供电支援方案,阐述了该方案对运营的影响、设备的国产化和工程的可实施性。     

光纤分布式接触网开关远程监控系统的应用

结合工程实际,介绍一种新型的基于光纤现场总线的铁路枢纽接触网开关监控系统。     

提高铁路站场环形配电网络安全性的措施

鉴于目前铁路站场广为采用的环形配电网络存在着安全隐患,本文结合运营实践情况对此提出了一些改进措施。     

WTB初运行的模拟研究

鉴于初运行所具有的特性及其在列车通信网络中的重要作用,基于初运行原理,提出初运行流程图,并将其分为命名主设备、寻找未命名节点、命名结束和构形分配四个阶段,深入分析了整个初运行过程。以此为基础,利用Java语言,编制出包括加载图片、按钮、线程管理、绘图和初运行五大模块的初运行过程模拟程序,使之能够对初运行的全过程进行步进式地显示,最后给出了软件模拟的部分结果。实现软件模拟初运行过程。     

基于粗糙集和合理变权的公路网节点重要度测算方法

鉴于目前用于计算公路网节点重要度的方法主观性较强,本文提出基于粗糙集理论的知识属性约简并结合合理变权的公路网节点重要度测算方法。根据粗糙集理论强大离散数据处理功能,挖掘影响公路网节点重要度各影响因素之间的潜在关系,定量分析节点属性重要性,并确定属性的权值,同时采用变权综合决策的方法来计算公路网节点重要度,进而有效地避免常权在实际应用中忽略了准则之间的重要程度因方案准则的状态不同而发生变化的这一不合理现象。以苏州地区公路网为例,并与其他计算方法相比较,结果表明,该方法能够有效的计算公路网节点重要度,并在处理多节点、影响因素筛选及动态确定权重方面具有明显的优势。     

汽车ABS中的模糊神经网络模型参考自适应控制策略

针对汽车制动的特点以及汽车防抱死制动系统的性能要求,建立了汽车的数学模型,提出一种模糊神经网络的自适应控制方案,构建了基于模糊神经网络的控制器和辨识器的结构模型。通过对网络参数的离线训练得出其初值,在控制过程中对网络参数进行在线微调,实现对汽车制动过程的有效控制。仿真结果表明:在不同的路面,汽车均能保持在最佳滑移率附近进行制动,制动时间及距离比较理想,满足ABS的安全性能要求。     

基于声强与神经网络技术的发动机故障诊断

根据发动机的结构特点,将其表面划分成不同的测试区域进行声强信号采集;依据声强特征,确定不同区域对应零部件的工作状况;利用模块化神经网络,建立基于声强特征的故障诊断模型,该模型中包含发动机低速与中速诊断模块、决策模块和故障知识库;在建模过程中,利用特征函数强化故障特征作为网络输入。结果表明,该方法具有诊断精度高、速度快、实时自学习等特点,为建立更为完善的发动机智能化故障诊断系统提供新途径。     

Bayesian network for red-light-running prediction at signalized intersections

Abstract

Red-light-running (RLR) is an important reason for the large number of intersection-related fatalities, injuries, and other losses. The accurate RLR prediction can effectively reduce crashes caused by RLR behavior. The RLR prediction is usually composed of two parts: the vehicle’s stop-or-go behavior and the arrival time when the vehicle reaches the stop line. Previous stop-or-go prediction models are usually based on embedded traffic sensors using machine learning algorithms. While based on the continuous trajectories collected by radar sensors, RLR prediction can be conducted more effectively. In this paper, a probabilistic stop-or-go prediction model based on the Bayesian network (BN) is proposed for RLR prediction. We extend the deterministic output into the probabilistic output, which provides decision-makers with greater autonomy. The causality of BN improves the interpretability of the prediction model. The BN model is calibrated and tested by the continuous trajectories data measured by radar sensors installed at a signalized intersection. We not only consider the movement measurements of individual vehicles (e.g., speed and acceleration), but also take into account the car-following behavior. As a comparison, different machine learning models and the model based on the inductive loop detection (ILD) are adopted. The results show that the proposed BN model has a high prediction accuracy and performs better in the feature interpretation. This paper provides a new way for probabilistic RLR prediction based on continuous trajectories, which will significantly improve traffic safety of signalized intersections.