有限深度均匀水流中圆柱横向阻力影响特性

为解决规则圆柱桩群阻力计算问题,以指导涉及规则圆柱桩群的物理模型试验和数值模拟计算等工作,在归纳总结已有研究成果的基础上,通过先进的数显式测力设备和较为准确的悬浮测力法,对有限深度均匀水流中多圆柱横向等间距不同方式的排列桩群进行了阻力测试研究,得出了有限深度均匀水流中圆柱横向阻力影响特性规律,并归纳总结出了圆柱横向阻力影响系数的经验公式。通过大量的测试试验数据证实了这些研究规律的准确性、有效性及实用性,对工程实践具有参考价值。     

系列模型延伸法在床面冲刷研究中的应用探讨

针对用系列模型延伸法研究建筑物附近床面冲刷问题的方法,文章提出了2个新的观点。一是系列模型中的每个模型应该满足相关相似准则,二是反映模型系列的自变量可以是单一变量,也可以是多因素组成的参数。文章推导了系列模型的延伸方程、床面冲刷问题系列模型的延伸方程以及多因素自变量参数的系列模型延伸方程。文章认为,系列模型延伸法是用来减少模型的缩尺影响,以获得较为客观的研究结论,而不是用来研究主变量和自变量的关系。极限冲刷深度与相关因素之间的关系是比较复杂的,而不是单一的、简单的。     

从汀泗河大桥桩基施工实践谈岩溶地区桩基设计与施工中的若干问题

湖北省京珠高速公路南段汀泗河特大桥位于岩溶发育区,本文通过该桥桩基旄工实践,对岩溶地区桩基设计与施工中诸如施工钻探、桩基嵌岩深度及持力层厚度、桩的静载试验、桩基成孔工艺选择、溶洞的处理及嵌岩桩孔沉渣等若干问题进行了讨论。     

针对铁路信息系统的APT恶意流量预警系统研究

为了更准确和高效地检测针对铁路信息系统的高级持续性威胁（APT,Advanced Persistent Threat）攻击,研究并设计了基于堆叠式长短期记忆（LSTM,Long Short-Term Memory）模型的APT恶意流量预警系统。将UNSW-NB15数据集改造为适用于APT恶意流量预警系统中模型训练的数据集;提出利用APT攻击阶段性的特性进行预警结果再计算的方法,引入置信度的概念,从而更准确地判定流量类型。在Kaggle云平台上对APT恶意流量预警系统进行了实验,其准确率、精确率和召回率等指标均优于其他方法。实验结果表明,所设计的系统具有更好的性能表现,能够有效提高APT恶意流量预警的准确率,降低误报率和漏报率。     

基于深度强化学习的汽车自动紧急制动策略

针对传统自动紧急制动策略制动减速度波动大、制动过程乘坐舒适性及弯道制动安全难以保障的问题,提出一种基于深度强化学习的汽车自动紧急制动策略.建立了包括纵向、横向及横摆运动的3自由度车辆模型,根据碰撞预警时间设计奖励函数,应用深度确定性策略梯度算法设计了基于深度强化学习的自动紧急制动策略,开展了直道行驶工况与弯道行驶工况仿...     

自抗扰控制器在潜艇近水面航行深度控制中的应用

基于潜艇垂直面非线性运动模型,模拟近水面情况下潜艇的操纵运动;利用自抗扰控制技术(ADRC),对潜艇深度变换进行控制.仿真表明,相对于现有潜艇的操纵控制,在潜艇深度控制上,自抗扰控制器可以获得较高的控制品质和较理想的控制效果,并且可以实现控制上的零超调.     

基于ASAE深度学习预测海洋气象对船舶航速的影响

为了有效地预测海洋气象对船舶航速的影响, 在稀疏自编码(SAE) 网络模型的基础上提出交替稀疏自编码(ASAE) 网络模型; 构建了海洋气象对船舶航速影响的预测框架, 利用关联规则方法对航行数据进行特征选择, 挖掘了船速影响因素及其隐含关系; 整合了中国远洋海运集团有限公司提供的船舶航行数据以及美国国家海洋和大气管理局提供的气象数据, 用训练样本对ASAE网络模型进行训练, 用测试样本对ASAE网络模型进行验证, 并与支持向量回归(SVR) 模型、反向传播神经网络(BPNN) 模型、深度信念网络(DBN) 模型及SAE网络模型的预测结果进行了对比。研究结果表明: ASAE网络模型的训练时间和海洋气象对船舶航速影响预测值的均方根误差分别为8.2s和0.287 3kn, 与SVR模型、BPNN模型、DBN模型及SAE网络模型相比, 训练时间分别缩短了1 683.1、66.9、2.0、1.5s, 预测准确度分别提高了0.045 5、0.296 9、0.153 4、0.178 6kn; ASAE网络模型的预测结果更符合实际海况, 可动态掌握海洋气象对船舶航速的影响; 通过预测的航速影响值来推算实际航速可为气象导航优化船舶运输过程起到辅助作用, 在进行航线规划、航速推荐等航行优化策略时能准确考虑海洋气象所产生的复杂影响, 从而改善船舶运营能效指标, 实现节能、低碳、绿色航行的宗旨。      

基于深度学习的短时交通流预测研究

针对交通流时间序列,在深度学习的理论框架下,构建基于LSTM-RNN的城市快 速路短时交通流预测模型.根据交通流的时空相关性完成时间序列的重构,依靠模型训练对时 空关联特性进行识别和强化,兼顾精度和时效性确定神经网络深度,完成短时交通流预测模 型搭建.基于TensorFlow 的Keras 完成LSTM-RNN的逐层构建和精细化调参,利用路网实测数 据样本完成算法验证,实现模型本地保存并根据预测精度进行自适应更新.结果表明,本文所 采用的预测算法精度高,受训练样本量的限制较小,实时性、扩展性和实用性均得到有效提高.     

基于LSTM网络的路面不平度辨识方法

路面不平度的辨识是半主动悬架控制等智能底盘技术的难点,目前缺乏成本低、可靠性高且精确快速的方法。本文提出一种新的基于长短期记忆(long short-term memory,LSTM)网络和时序轮心加速度的实时路面不平度等级辨识方法。该方法利用轮心加速度的时序信号,而非传统的统计特征,基于LSTM网络对时序信号的强特征捕捉能力,无需信号预处理就能快速得到路面分类特征,大大减少辨识算法的计算量,可以实现实时辨识。训练集数据可以通过不同功率谱密度等级的白噪声生成路面,然后通过车辆传递特性获得加速度信号,也可集成试验数据。此方法仅需要一个时域加速度信号,且无需复杂预处理,鲁棒性高,能够实现不同车速、减振器阻尼系数、簧上质量和采样时长下的路面不平度等级的快速辨识。