排序方式: 共有218条查询结果,搜索用时 31 毫秒
151.
152.
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. 相似文献
153.
为解决不确定性问题对高铁边坡位移预测精度的影响,引入区间预测理论量化位移预测中的不确定性问题,并建立Bootstrap-GRU-BP混合区间预测模型(BGB模型)。该模型首先采用基于Bootstrap的门控循环单元(Gated Recurrent Unit,GRU)算法度量位移预测均值和认知误差的方差,再采用BP算法度量随机误差的方差,然后将位移预测均值、认知误差和随机误差的方差3者结合在一起,量化出一定置信水平下的预测区间。最后,基于杭绍台高铁沿线边坡的监测数据,探讨BGB模型认知不确定性的响应特征,并通过对比多种区间预测模型来验证BGB模型的优越性。结果表明:BGB模型不仅能构造清晰可靠的预测区间,还能提供高精度的点预测结果;改变模型输入特征和预测算法会导致认知不确定性的改变,而BGB模型所构造的预测区间能正确地响应不确定性的变化;对比以极限学习机(Extreme Learning Machine,ELM)和支持向量回归(Support Vector Regression,SVR)为核心的区间预测模型,BGB模型的区间预测和点预测性均能更优。研究成果可为高铁边坡位移发展提供可靠的预... 相似文献
154.
155.
为了研究山区双车道公路曲线路段驾驶员心率的变化规律,在武陵山区公路S228进行了实车实验.提出了心率超限概率作为衡量驾驶员心率变化水平的新指标,并分析了该指标依横向力和纵坡的变化规律.最后,使用机器学习建立了预测模型.结果表明:在上坡路段,驾驶员的心率超限概率主要受横向力影响;横向力水平相同的条件下,驾驶员在下坡路段的... 相似文献
156.
四象限输入过流故障是HXD1型机车牵引变流器的主要故障之一,由于引发该故障的原因较多且故障样本分布不均,导致该故障难以诊断与定位,为此提出了一种基于递归二分类的故障诊断方法。基于K-Means与小波包分解对数据相关关键字段进行特征提取,用基于集成学习的梯度提升决策树(GBDT)构造可靠的分类模型以及用递归二分类法对多标签数据进行递归分类与诊断。对HXD1型机车四象限输入过流故障样本文件进行相关试验,结果表明该方法对于故障样本分类及故障诊断定位有显著提升效果。 相似文献
157.
158.
喷射混凝土?围岩(Concrete-Rock,CR)结构的界面黏结缺陷隐蔽性强,缺乏具体有效的质量评价方法.鉴于冲击回波法的传统信号分析方法难以准确识别此类分层结构内部缺陷情况,设计不同接触质量、不同厚度的CR试件,进行冲击回波试验.对回波信号进行频域分析和时频域分析,并对回波信号进行小波包分解,计算小波包相对能量特征值作为支持向量机的输入向量,对不同缺陷进行识别.研究结果表明,CR结构的频域结果中存在多峰值现象,而时频分析综合了时间与频率信息,可获得较好效果,基于小波包相对能量的机器分类可识别缺陷特征,识别率在80%以上. 相似文献
159.
《西安交通大学学报(医学版)》2019,(5)
目的探讨T2WI机器学习鉴别高级别胶质瘤和脑单发脑转移瘤的价值。方法收集我院2016年1月至2018年11月经病理或随访证实为高级别胶质瘤(41例)或脑单发转移瘤(34例)的患者。所有患者术前均行常规MRI检查,其中包含轴面T2WI。采用ITK-SNAP软件在T2WI上对全瘤进行逐层手动勾画水肿范围感兴趣区(region of interest,ROI),病灶最上和最下两层除外。通过Python对每层ROI进行纹理和形态学特征提取。特征分类统计方法采用支持向量机(support vector machine,SVM)、Logistic回归和朴素贝叶斯机器学习算法,其中70%数据作为训练集,30%作为验证集。同时邀请2名具有3年以上影像诊断经验的医师对病灶水肿区/对侧正常脑组织信号比(nSI)进行半定量受试者工作特征曲线(receiver operating characteristic,ROC)分析,结果均以曲线下面积(area under the curve,AUC)、敏感性和特异度表示,并比较不同方法的诊断效能。结果基于T2WI图像特征机器学习分析,SVM算法具有较高的诊断效能,训练集和测试集AUC分别为0.79(95%confidence interval,CI:0.75~0.83)和0.71(95%CI:0.64~0.77),敏感性和特异度分别为70.88%(95%CI:65.0%~76.3%)和77.13%(95%CI:70.5%~82.9%);Logistic回归和朴素贝叶斯诊断效能较低,训练集和测试集AUC分别为0.77(95%CI:0.73~0.81)/0.67(95%CI:0.60~0.73),0.72(95%CI:0.67~0.76)/0.62(95%CI:0.55~0.69),相比SVM差异有统计学意义;医师半定量分析诊断效能最低,AUC为0.58(95%CI:0.44~0.70)。结论 T2WI图像特征机器学习在术前鉴别高级别胶质瘤和脑单发转移瘤中具有一定的优势,其中SVM模型最具潜力。 相似文献
160.