基于GF-LSTM的铁路边坡位移预测研究

为提高边坡位移预测的精度,提出一种融合Gaussian-filter算法与LSTM预测算法的GF-LSTM混合预测模型,依托某铁路边坡工程监测数据进行验证分析。结果表明：GF-LSTM模型不仅能对原始监测数据集进行预处理,还能提供精准的预测结果;GF-LSTM预测模型可很好地反映边坡位移的上下波动,所得的预测值与实测值整体趋势贴合、相关性极高,R²分别为0.915、0.908,均大于0.900;由降噪前后对比可知：两测点R²分别增加了0.143、0.185,而MAE和MAPE分别降低了0.104与0.874 %、0.246与0.755 %,表明降噪处理后各测点的预测精度和预测误差得到改善。     

TD-LTE系统单网共享基站方案研究

采用单网共享基站方案解决相邻线路同频干扰问题,研究该方案的业务链路、时延性能和抗干扰能力。经过试验测试,该方案能够满足2条线路各一辆列车同时出现在共享基站覆盖范围内的CBTC业务传输需求。     

基于深度学习的铁路路基沉降探测波长预测模型

针对铁路路基沉降探测波长预测精度不足、适应性差的问题,提出了基于深度学习的铁路路基沉降探测波长预测模型,旨在通过挖掘光纤传感器波长数据的时空特征,提升路基沉降风险的实时监测与预警能力。该模型通过位置编码模块捕捉时序关系,利用多头自注意力机制捕获全局空间依赖,结合时间卷积网络（TCN,Temporal Convolutional Network）的膨胀卷积提取多尺度时间模式,并引入双向长短期记忆（BLSTM,Bi-directional Long Short-Term Memory）网络增强对序列的记忆能力和上下文理解能力,实现对波长数据的时空特征提取与预测。基于潍烟（潍坊—烟台）高速铁路实测数据进行实验,实验结果表明,该模型在测试集上的预测误差较低,可准确识别异常数据,各项指标均优于通用模型,具有工程应用价值,为铁路路基沉降探测波长的高精度监测提供了技术支撑。     

C程序数据使用XMS的设计与实现

本文针对DOS应用程序的大数据量的存储与处理问题，提出了基于实方式下访问XMS内存的C程序设计方法，从而满足了DOS应用程序中的数据变量访问XMS的应用要求。     

基于源代码插桩的C程序内存使用错误动态检测

针对C程序内存使用错误的预防和处理方法分基于静态分析和动态分析两类。静态分析工具研制复杂，目前还没有得到广泛使用的高效工具。动态分析又分为基于目标代码和源代码插桩分析两类。由于缺少完整的语法、语义信息，基于目标代码的分析有时对错误的捕捉、定性不够精确。基于源代码的分析由于其信息的完整可以达到对错误的最精确报告。本文对C程序中的内存使用错误进行了分析，并讨论了一个C程序内存错误动态检测工具的设计思想，给出了系统流程、关键数据结构、错误捕捉方法的设计。     

面向共享汽车的智能化调节座椅系统设计

文章设计了一种面向共享汽车的智能化调节座椅系统,该系统通过手机客户端APP输入用户体型特征信息,系统上传个人信息至云端并进行智能化数据计算,模拟出一个用户舒适的驾驶环境,使用该数据调动相应电机工作调整座椅等位置,用户也可根据自身的驾驶习惯,调整至最舒适、最安全的驾驶环境。驾驶结束时,车辆ECU记录此时座椅、后视镜和方向盘的位置数据信息并上传至云端服务器,存入该用户的资料库,下次使用时直接调用数据并调节车辆。该系统的使用将有助于共享汽车的推广,使用户的出行更便捷环保。     

A novel forecasting approach inspired by human memory: The example of short-term traffic volume forecasting

Short-term traffic volume forecasting represents a critical need for Intelligent Transportation Systems. This paper develops a novel forecasting approach inspired by human memory, called the spinning network (SPN). The approach is then used for short-term traffic volume forecasting, utilizing a data set compiled from real-world traffic volume data obtained from the Hampton Roads traffic operations center in Virginia. To assess the accuracy of the SPN approach, its performance is compared to two other approaches, namely a back propagation neural network and a nearest neighbor approach. The transferability of the SPN approach and its ability to forecast for longer time periods into the future is also assessed. The results of the performance testing conducted in this paper demonstrates the superior predictive accuracy and drastically lower computational requirements of the SPN compared to either the neural network or the nearest neighbor approach. The tests also confirm the ability of the SPN to predict traffic volumes for longer time periods into the future, as well as the transferability of the approach to other sites.     

基于LSTM的高铁大风预测模型及算法研究

通过对风速数据进行时间序列分析,建立风速预测模型,实现大风灾害的预警,对提升高铁运营安全保障能力具有重要意义.通过分析某高铁客运专线防灾系统的历史风速数据,建立了一种基于LSTM神经网络的大风预测模型,使用TensorFlow平台进行模型参数训练,并结合实际监测数据进行了模型验证.结果表明,该方法预测未来20 min的...     

基于Abraham算法的内存自检技术分析与应用

Abraham算法是IEC61508推荐的高覆盖度内存自检技术,但如果直接将此技术应用于安全苛求系统中,则存在耗时较长、系统实时性较差的不足。IEC61508建议的做法是把内存分段后逐段测试,但这种方式远达不到算法检测出内存中所有2-耦合失效的效果。通过改造该算法并完善分段测试的应用方式,可使当下实时安全苛求系统的内存自检技术达到Abraham算法用于整段内存测试时等价的检测。