基于机器学习的汽车点焊动态电阻优化控制

为了提高汽车点焊动态电阻控制能力,提出基于机器学习的汽车点焊动态电阻控制模型,并采用统计特征分析进行汽车点焊动态电阻控制的实证分析。构建汽车点焊动态电阻控制统计信息分析模型,根据汽车点焊动态电阻控制信息的挖掘结果,对汽车点焊动态电阻控制特征量进行电阻阻抗分析和功率点因素特征检测,提取汽车点焊动态电阻模糊度特征量,对检测的汽车点焊动态电阻控制特征量进行模糊聚类处理,分析汽车点焊动态电阻控制互相关信息融合的规则性特征量,以此为约束条件进行汽车点焊动态电阻控制和阻抗匹配,采用机器学习方法进行汽车点焊动态电阻的统计分析和寻优控制。仿真结果表明,采用该方法进行汽车点焊动态电阻控制的鲁棒性水平较高,控制结果准确可靠,提高了汽车点焊动态电阻的量化分析能力。     

汽车故障诊断专家系统中的机器学习

本文根据汽车故障诊断系统的特点，提出了汽车故障诊断专家系统学习机械模型，通过在学习机中引入三种学习模式－机械记忆学习模式，启发参数修正自学习模式和自动教导注入学习模式，实现了一种具有学习能力学习型汽车故障诊断专家系统。     

城市公共交通系统通勤出行特征提取分析方法

公共交通出行者的出行特征是地铁及公交线网规划与运营优化的重要依据。基于多模式刷卡数据,提出城市公共交通系统出行链提取方法,利用存在换乘的出行链调查数据进行验证,提取成功率达 96.1%。基于出行者历史刷卡数据构建了多种机器学习分类器以识别通勤人群,经过精度比较,发现随机森林分类器效果最优,准确度达 99.96%。利用分类器和出行链提取方法,对北京市公共交通系统出行链结构、换乘特征等进行初步分析。该方法可以有效提取分析通勤人群出行特征,为公共交通系统方案的优化提供数据支持。     

小汽车通勤者主观幸福对出行方式选择的影响

为探讨主观幸福对出行方式选择的影响,以北京市开车通勤者为研究对象,在对出行行为分析的基础上,将通勤者的思维过程分为搜索规则和决策规则。在通勤成本变化场景下,采用机器学习算法定性探索主观幸福的作用阶段。结合相关性分析结果建立结构方程模型,定量分析主观幸福对出行方式选择行为的作用机理以及主观幸福的测量变量。研究结果表明:主观幸福对开车通勤者是否改变现有出行方式的决策具有显著影响;主观幸福包括通勤过程满意度(0.73)、场景实施前开车幸福感(0.66)、通勤成本增加后开车幸福感变化(-0.20)三个因素。将主观幸福纳入通勤出行方式选择指标体系,从心理层面为交通政策的制定提供新视角。     

基于机器学习的网约车合乘出行碳减排状态预测

网约车合乘出行可有效提高车辆运输效率,与常规网约车出行相比具有显著的碳减排潜力。然而,现实中网约车合乘出行能否真正减少碳排放受多方面因素影响,往往存在较大差异与不确定性。为识别碳减排潜力较大的网约车合乘订单,提出一种基于机器学习的网约车合乘出行碳减排状态预测模型,并解析其碳减排机理。首先,基于成都市真实的网约车合乘订单与轨迹数据,应用COPERT(COmputer Program to calculate Emissions from Road Transport)排放模型分别计算合乘出行碳排放量及其替代的独乘出行碳排放量,进而得到合乘出行相比独乘出行的碳减排量。然后,基于历史的合乘行程碳减排及其订单特征数据,训练XGBoost(eXtreme Gradient Boosting)模型以预测未来潜在合乘出行的碳减排状态。最后,采用ALE (Accumulated Local Effects)分析方法对预测模型进行特征变量解析,以识别影响合乘出行碳减排状态的关键因素。结果显示：研究区域内平均每次网约车合乘出行可减少碳排放307.23 g,但仍有15%的网约车合乘行程未能实现减碳;XGBo...     

现代机器学习算法的船舶配电网运行状态评估

为保证评估全面性,指标选取会很多,但与此同时会导致运算量过大,使得船舶耗能增大。针对上述问题,提出现代机器学习算法的船舶配电网运行状态评估方法。该研究利用机器学习算法中的加权聚类算法计算指标到聚类中心的距离,根据距离选择评估指标,以选取的指标作为神经网络评估模型的输入变量,在隐含层计算指标与权值乘积分值,根据分值比对配电网运行状态等级划分表,在输出层得出配电网运行状态。结果表明:所研究方法应用下,评估结果与实时检测结果一致,且运算量更小(156),达到研究目标,为配电网故障处理提供可靠依据。     

基于极致梯度提升和支持向量机的高速公路服务区供暖系统健康状态评估

为保障高速公路服务区供暖系统的健康运行,本文结合供暖系统的构成和运行特征,设计了一种用于评估服务区供暖系统运行健康状态的极致梯度提升（Extreme Gradient Boosting, XGBoost）和支持向量机（Support Vector Machine,SVM）的双层机器学习模型,并将系统运行健康状态分为健康、亚健康、故障和异常四个等级。首先,分析电压、电流、水温、机组运行状态、蓄热泵、循环泵和泵运行状态7个子系统的运行特征,使用随机函数和欠采样处理构建特征向量集。其次,采用XGBoost构建下层各子系统健康状态评估模型,并输出各子系统的健康状态。然后,融合各子系统健康状态的评估结果,输入至上层SVM系统评估模型,得到整个?供?暖系统的健康状态。最后,将实验与决策树、AdaBoost和XGBoost等模型进行对比,结果表明所提出的XGBoost+SVM双层机器学习模型相较对比模型而言,不仅判断精度更高,同时还可评估整个供暖系统以及各子系统的健康状态。     

基于机器学习的实海域无人艇避碰算法智能演进方法

[目的]无人艇(USV)效能是指在给定时间内的特定海域完成指定任务的能力,是多层次多技术节点耦合作用的结果,而针对单一技术节点的传统优化方法,对无人艇效能的提升效果有限.[方法]针对无人艇自主系统的特点,从智能算法的角度,提出无人艇智能演进的2种主要形式:一是算法函数;二是算法参数.在此基础上,给出基于机器学习的无人艇...     

基于手机运动传感器数据的交通流拥挤识别

准确的交通流状态识别是智能交通管理与控制的基础.通过所开发的手机端软件从手机中提取车辆的加速度与角加速度数据,在研究了其统计特征后,发现该数据可反应周围车辆对目标车辆运行环境的影响,从而与交通流状态的变化有着密切关系.利用支持向量机学习算法,以加速度与角加速度统计参数作为输入变量识别断面交通流状态.实验结果识别精度最高达到92%,表明加速度和角加速度指标可作为交通流状态的表征参数.该研究采用Lasso模型和最小角回归算法对输入参数进行变量选择,在降低计算成本的同时保证了良好的识别效果.