基于LSTM模型的高原桥梁温度场预测研究

基于LSTM(long short-term memory,长短期记忆)神经网络深度学习模型,通过自适应矩估计算法建立桥位处的环境温度、地表太阳辐射量(包括直接辐射和散射辐射)、平均风速和风向等环境参数与箱梁温度场之间的映射关系,并通过贝叶斯算法优化LSTM模型中的超参数,使均方差降至最低,从而获得箱梁温度场预测模型。预测值与实测值的对比分析表明,建立的 LSTM 神经网络深度学习模型能够根据环境参数准确预测高原环境下连续刚构桥箱梁的温度场,且模型具有较强的泛化能力。     

城市轨道交通进站客流量短时预测模型研究

利用数学方法可以改善城市轨道交通进站客流量的短时预测效果,促进轨道交通车站客流管理智能化水平。首先建立K近邻非参数回归模型,然后在传统卡尔曼滤波模型的观测方程中引入偏差修正系数以提高其预测精度;再采用贝叶斯方法将以上两模型进行组合;最后利用2013年11月北京市地铁13号线的进站客流数据,研究对比这三类模型在早高峰、平峰、晚高峰和全天的预测精度。结果表明:K近邻非参数回归的总体预测精度最高;贝叶斯组合预测模型次之,但平峰时段效果最好;基于偏差修正系数的卡尔曼滤波模型晚高峰时适用性较差。     

基于模糊贝叶斯网络的山区高速铁路桥梁运营风险评估

针对山区高速铁路桥梁风险情况复杂且影响巨大的特点,提出基于模糊贝叶斯网络,建立山区高速铁路桥梁运营风险评估模型。将山区高速铁路桥梁风险损失划分成3类,分别列出各类损失的风险因素,构建桥梁运营风险概率评估的贝叶斯网络,通过专家调查法统计出桥梁风险因素的概率等级分布,并根据链式传递规则计算出风险事故的概率等级分布。然后,结合风险矩阵对桥梁运营风险水平进行评估。最后,利用该方法分析贵广高速铁路上云阳双线特大桥的运营风险。结果表明,建立的模型计算过程简便,评价结果符合实际,具有较高的实用性。     

铁路信号设备故障诊断专家系统知识库的研究

针对我国铁路信号设备故障的特点,基于诊断和专家系统的理论与方法,对铁路车站信号设备故障诊断专家系统的知识库进行设计分析。通过对铁路车站信号设备的常见故障进行具体分析,以辅助开始继电器电路为例,阐述了知识的收整、表示、存储等建库方法,为通过人工智能方法建立和开发我国铁路信号故障诊断专家系统提供重要依据。     

贝叶斯网络在轨道交通屏蔽门系统安全分析中的应用

安全是城市轨道交通的重要因素.随着轨道交通系统复杂度的不断提高、系统动态性和可维修性的不断增加,典型的故障树法和事件树法已经不能满足系统的故障预测与故障定位分析.探讨了使用贝叶斯网络进行轨道交通屏蔽门的安全评价.这是首次将贝叶斯网络引入轨道交通系统的安全分析中.建立了轨道交通屏蔽门系统模型,构造了轨道交通屏蔽门的贝叶斯...     

WANB＆WMC系列船用紫油机故障诊断专家系统

此文介绍了自行研制的ＭＡＮＢ＆ＷＭＣ系列船用柴油机故障诊断专家系统。它首先说明了本专家系统的总体结构和功能;又具体论述了故障诊断子系统的模块构成和它的特点,最后得出结论。     

交通法规知识库系统的设计

章讨论了交通法规知识库系统的设计思想和系统结构。系统采有广泛使用的产生式系统实现，并对基本的产生式系统作了一些改进，知识库由规则库和已定案例库组成，推理采用二级推理。并针对系统实际存在的问题，给出了解决的方法。     

编组站智能调度系统的需求模型与专家系统结构

编组站智能调度系统(YIDS)是涉及到信息处理和智能控制的复杂系统,其要素间存在着错综复杂的相互作用关系,难以用准确的数学模型来描述.根据编组站作业岗位的工作性质,通过角色获取需求,在此基础上对 YIDS 的主要功能以及系统结构进行了描述,并以解编作业功能模块为例建立了分解功能用例需求模型.提出将专家系统、人工智能技术与决策支持系统相结合,建立编组站智能调度决策支持系统的方法.     

非稀疏欠定盲分离及其在语音分离中的应用

本文提出一种基于马尔科夫链蒙特卡洛方法(MCMC)的贝叶斯非稀疏盲源分离算法。用广义高斯分布(GGD)来拟合源信号的分布,通过MCMC抽样得到GGD参数和隐变量的估计,并由此得到源信号的最小均方误差估计(MMSE),解决了GGD参数估计容易陷入局部极值点、鲁棒性差的问题。根据语音信号的局部平稳性,提出基于非稀疏度评判准则的盲分离算法,用MCMC方法分离非稀疏区的语音信号,进一步提高了语音信号分离精度。仿真实验证明,本文方法改善了非稀疏信号和语音信号的分离效果,而且具有更好的鲁棒性。     

民航安全信息中实现关键词提取的方法

对于民航安全信息,关键词有着体现文本概要的功能,在信息提取与调用等方面对民航安全工作者有所帮助.在研究当前关键词提取技术后,结合民航领域词特征,提出了一种以朴素贝叶斯模型为基础的关键词提取模型.模型中所选取的特征项为词语的词长、词性、以及包含词语位置与段落跨度的词频与逆向文档频率乘积(TF-IDF)值,特征项代表了每个候选词的基本属性.利用该模型对已人工标注好关键词的民航安全信息进行训练以获取各个特征项的概率,利用特征项概率计算每个备选词的关键词评分,将评分前3位的词汇输出为关键词.实验表明,针对民航安全信息的关键词提取,所提方法与传统的TF-IDF算法、KEA算法相比,准确率分别提高了18%和11.9%,民航词汇识别率分别提高了15.3%和12.3%.结果证明,与传统算法相比,所提方法能大幅提升关键词提取的准确率与民航词汇识别的能力.