基于强化学习的成品油船装载方案自主生成技术研究

[目的]旨在基于强化学习方法研究液货舱装载方案自主生成技术。[方法]以实际运营的成品油船载货量作为输入,以货舱及压载舱的装载率为目标,基于Unity ML-Agents构建智能体与环境,通过PyTorch框架对智能体进行训练,提出一种综合考虑装载时间与纵倾变化幅度的奖励函数计算方法,并以算例分析来验证所提方法的有效性。[结果]结果显示,所训练的智能体能够学习良好的策略,并实现液货舱装载方案的自主生成。[结论]研究结果表明,将强化学习用于解决多目标条件下的液货舱装载方案自主生成是合理可行的。     

基于计算机视觉技术的交通场景检测平台的设计与应用

文章针对当前城市智慧交通监管的路口交通的饱和度、拥堵以及闯红灯等问题,设计了基于计算机视觉技术的交通场景检测平台,结合机器学习算法,并融合多项高新技术,实现对路口过往车辆的流量和车速检测,对机动车闯红灯、斑马线不礼让行人、占用公交车道、违停或违规越线等违章行为进行检测识别,为公共交通的管理提供极大便利,实现了“智慧交通”和“平安交通”。     

有砟铁路路基层位变形智能识别方法

针对探地雷达单期数据无法获取路基层位变化情况的问题,提出了一种基于周期性检测的铁路路基层位变形智能识别方法。首先采用YOLO v5模型识别雷达图像中的桥梁设备,通过与设备表模糊匹配实现多时相数据的里程配准,再基于U-Net模型对多期数据中的路基层位线进行准确识别,最后根据年变形量提取路基显著变形的里程范围,为养护维修决策提供数据支撑。采用实测数据进行了测试试验。结果表明：多期数据配准精度满足应用需求,自动识别的层位线与人工追踪结果相近,有效提升了探地雷达周期性检测数据的处理效率和精度,为铁路路基层位变形检测提供了一种新方法。     

基于最小二乘支持向量机的车辆跟驰行为模型

基于最小二乘支持向量机(Least squares support vector machine,LS-SVM)算法建立符合我国道路交通流特征的车辆跟驰模型,并用该模型模拟单车道道路上车辆的跟驰行为。采用NGSIM提供的数据对LS-SVM模型进行仿真验证,将测试结果与传统的Gipps模型进行对比。结果表明:与Gipps模型相比,LS-SVM模型对应的各项误差指标精度均有明显改善,能够挖掘变量之间的潜在关系,弥补传统车辆跟驰模型的不足。     

机器学习辅助下舰艇预警系统关键数据智能挖掘方法

舰艇预警系统关键数据挖掘方法受到多方面因素影响,其方法可信度较低,因此提出机器学习辅助下舰艇预警系统关键数据智能挖掘方法。通过构建关键数据智能预测模型,进行舰艇预警系统关键数据均值分类,对分类后关键数据实施预处理,经过极致化计算从而实现关键数据均值智能挖掘。通过对设计舰艇预警系统关键数据智能挖掘可信度计算,针对同一参数下机器学习舰艇预警系统关键数据智能挖掘模型与传统数据智能挖掘方法可信度进行对比,从而证明研究方法有效性。     

基于神经网络的数据挖掘模型在吸能装置上的应用

针对传统有限元分析方法对机车车辆结构耐撞性计算效率低的问题，在已有仿真分析数据基础上，引入机器学习方法，对车辆关键结构的耐撞性以及碰撞安全性进行分析预测. 首先，建立基于神经网络的数据挖掘模型，在此基础上构建车辆关键结构的碰撞响应预测方法；其次，通过试验验证了防爬吸能装置有限元模型的正确性，以此模型为基础获得不同壁厚防爬吸能装置的碰撞响应仿真数据；然后，以吸能装置壁厚作为模型输入，不同壁厚所对应的位移、速度、界面力和内能等碰撞响应作为模型输出，将有限元仿真数据用于模型训练，优化后的数据挖掘模型的拟合优度在0.922以上；最后，为验证模型预测的准确性，将碰撞数学模型的预测结果与有限元仿真结果进行对比，速度、位移、界面力和内能的平均相对误差分别为7.10%、4.51%、6.20%和2.50%. 研究结果表明:基于神经网络构建的数据挖掘模型在保证精度的情况下，能很好地反映防爬吸能装置的碰撞特性，大幅降低了计算时间，提高了计算效率.      

隧道检修一体化机器人系统设计及关键技术分析

机器人作为一种能替代人工且能大幅度提高工作效率的创新技术,在隧道维护方面的应用倍受关注。近年来,研究者基于机器人系统开发了各种隧道检测设备,但难以同步实现隧道修复的功能。目前,我国运营隧道的检测与维修均是分开进行的,且维修过程仍以传统的人工维修为主,导致一些较为严重的隧道结构病害未及时修复而产生巨大安全隐患,同时检修与维修作业人员会长时间处于复杂、密闭的隧道环境中而不利于身体健康。基于此,本文提出一种隧道检修一体化机器人系统概念,并对该系统三维成像结构形式和技术、隧道检修优化方法进行分析,可解决隧道病害成像、修复定位、修复能力等关键检修问题。结合当前隧道机器人检测系统,设计了检修一体化机器人系统,为我国运营隧道的检修与维修方法提供新的思路。     

基于机器学习的地铁盾构隧道长期沉降预测

采用机器学习方法,建立一个基于先期区域地质信息及隧道沉降学习资料的盾构隧道长期沉降预测模型, 并以南京地铁 2 号线盾构隧道为例进行算例分析。结果表明：该沉降预测模型能够筛选主要影响因素,并且能够 寻找最佳监督学习算法和最优参数;在不同监督学习算法中,核支持向量机算法与人工神经网络算法都能使模型 达到较高的精度,然而对其参数的依赖性很高,需要细致的调参才能提高预测精度;以人工神经网络算法作为监 督学习算法,经调参后,沉降预测模型的最终预测准确度可达 0.86,10 倍交叉验证平均准确度为 0.82。     

基于支持向量机的船舶柴油机故障诊断的研究

通过建立VC维统计学习理论,利用数学建模,建立并划分最优超平面以取得支持向量来训练,选取并考虑相关的影响因子以此构建样本数据集,以期对柴油机故障实现精确的诊断;而对于非线性空间情况,可采用核函数的思想来转化为线性空间,以此降低算法的复杂度;通过与人工神经网络方法的比较,表明该方法具有运算速度快,泛化能力强等优点;支持向量机(SVM)可以较好解决柴油机故障诊断中的机器过学习、小样本、高维数、非线性等问题。     

贝叶斯网络分类器结构与变量分布的差异性分析

为了提高鉴别式学习策略训练的贝叶斯网络分类器的分类精度,分析了贝叶斯网络结构与数据中变量分布之间的差异对贝叶斯网络分类器性能的影响,实验以网络结构的实际联合概率分布的树型近似描述为基准,删除在条件对数似然函数极大化过程中不起作用的边,生成具有同一联合概率分布的不同描述程度的网络结构.实验结果表明,只有当网络结构表现力不足时,鉴别式参数学习才能起积极作用;而当网络结构中有多余的边时,反而容易受其制约.从而验证了网络中多余的边对分类器性能没有影响的观点是片面的.