近水面低航速下潜航器深度自抗扰控制

深度控制是潜航器运动控制重要组成部分。在近水面航行时,潜航器受波浪力的扰动,二阶波浪力将使潜航器难以保持深度。同时,低航速状态下,水平舵受航速影响舵效大幅降低,本文基于自抗扰控制技术(ADRC)设计了潜航器深度控制器,通过扩张状态观测器(ESO)观测扰动并及时进行补偿。仿真与水池实验表明,相较于传统PID方法,该控制器使得潜航器具有更好的深度控制效果。     

基于深度可分离卷积的多目标追踪神经网络研究

提出一种在线的多目标追踪方法,通过指定所需追踪的目标,结合人工智能强大特征提取能力,可以实时的追踪该目标的位置.在传统神经网络的追踪算法中,引入了深度可分离卷积,利用其强大时序特征提取能力,使该网络在各种不同光照、不同角度的情况下,推理前后数帧之间的关系,得到稳定的追踪区域.除此之外,利用深度可分离卷积与改进后的卷积层相连接,使其拥有了多目标追踪能力的同时,依然满足实时处理能力.在公开数据机上VOT-2016测试结果显示,与现有追踪方法相比,该方法不仅在准确度,EAO的表现出色,而且保持了不错的处理速度.通过该方法可以有效地统计地铁站OD流,或追踪指定人物的移动轨迹等,满足在交通以及安防领域的需求.     

基于3D卷积神经网络的高铁轨道质量指数预测方法

轨道质量指数（TQI，Track Quality Index）是反映高铁整体线路质量状态的重要指标，分析TQI数据的变化规律能够对高铁线路养护维修提供重要指导和参考依据。为提高TQI数据预测的准确性，提出了一种多项特征数据的3D卷积神经网络模型，分析了TQI数据特征，抽取时间、空间、检测项数据并形成三维特征数据集，基于3D卷积神经网络算法，构建8层TQI预测模型，并从初始化参数、学习速率、激活函数、损失函数、Dropout方法等角度对模型进行优化，并利用某高铁线检测数据进行试验验证。结果表明，3D卷积神经网络模型可较好的预测高铁线路状态变化趋势，且对比于BP神经网络和2D卷积神经网络方法，平均绝对误差分别降低了41.48%、26.32%，均方差分别降低了65.42%、39.93%，证明了该方法的准确性与有效性，对于预测TQI与制定高铁线路养护维修计划具有实用价值。     

通泰桥沥青路面车辙探讨

以张家口通泰大桥钢桥面铺装体系为研究对象,对影响沥青路面车辙的主要因素进行分析,探讨各种因素与车辙深度之间的关系,并对通泰大桥的车辙进行了计算,有关方法可以为国内类似桥梁的沥青混凝土铺装设计提供参考.     

基于人体骨骼信息的列车司机行为智能识别

文章提出了一种基于骨架识别的人体姿态捕捉预测算法,用于识别列车驾驶员违章行为。该方法是将司机作业监控视频拆分成一组连续的图片组合,然后通过构建深度学习模型网络预测每一帧图片中的人体姿态,并使用逻辑回归模型对司机行为进行分类,最终,通过将识别出的司机行为与LKJ数据相关联,裁定司机行为是否违章。该方法比目前机务段靠人工抽检的方式更加高效合理,但其识别效果受限于车载摄像头清晰度。     

面向自动驾驶的遥感影像路网检测方法

针对高分辨率遥感影像道路提取难度大、提取精度低的问题，提出了一种基于VGGU-Net++的遥感影像路网检测方法。首先基于VGGU-Net框架构建了编码器-解码器网络；其次，设计了一系列嵌套、密集的卷积块，用以缩小编码器与解码器特征映射之间的语义差距。节点之间利用跳跃连接填充了具有多个卷积层的密集卷积块，其层数取决于金字塔等级；并在2个卷积块之间设置1个串联层，该层将同一密集块前一个卷积层的输出和浅层的上采样输出进行特征图融合。同时，使用深监督策略保证网络模型的修剪程度和速度增益。在网络训练过程中，这种相似语义特征图的跳转连接可以简化优化操作，提高网络训练性能。最后，利用遥感影像开源数据集——马萨诸塞州数据集进行算法的测试与验证。结果表明，提出的VGGU-Net++网络与现有同类方法相比，获得了更好的性能表现，在精确率、召回率、F₁-score和I_oU方面分别达到了88.1%、87.1%、88.5%和77.9%，能够实现城市、山区、直线、弯曲道路场景高维、复杂、抽象特征的自动提取；此外，检测结果能够减少干扰，降低误检，保留更多道路细节信息，得到更加完整、清晰的路网检测效果。