新颖的非对称马刺线谐振器设计及应用

提出了一种有双阻带特性的新颖马刺线结构,它是由两个内嵌到微带线的非对称马刺线谐振器构成。这种非对称马刺线谐振器具有双带隙特性以及良好的慢波效应,可以通过调节上下马刺线的长度差调整双带隙特性。马刺线电路模型可以等效为LCR并联谐振器,其中电路参数可以从电磁仿真中获取。在NeuroModeler软件的帮助下,建立神经网络从而优化这种非对称马刺线谐振器,并且快速精确地获得两个谐振频率。同时该结构的马刺线有助于抑制微波功率放大器的高次谐波。通过设计制造两个InGaP HBT功率放大器具体地分析非对称马刺谐振器对它的影响。其中1个InGaP HBT功率放大器的非对称马刺结构位于输出端,另外1个InGaP HBT功率放大器的输出端仅用传统的50Ω传输线。实验结果显示:在输出端加入这种非对称马刺结构可以很好地将二次以及三次谐波抑制在27 dB以下,在需要放大的频率上,PAE(Power Added Efficiency)分别增加了6%-8%和1%-4%。     

基于神经网络的公路边坡稳定性实时判断

为了实现对非粘性土公路边坡的稳定性实时预警,采用神经网络方法建立了公路边坡稳定性安全系数Fs和变形值的关系模型,该方法克服了Fs不能实时获取的弊端,由实时测量的变形值计算出Fs,并通过Fs实现无粘性土公路边坡稳定性的实时预警,避免了传统实时预警方法中需要根据经验设定各种变形值阈值的问题.对某无粘性土公路边坡的实验研究表明,神经网络模型计算精度优于其他经验模型,且能够满足工程实时监测的需要.      

基于信息融合的车辆险态运行模式评价研究

提出了一种车辆运行状态识别体系.鉴于车辆行驶环境的复杂性,多作业工况条件的影响以及车辆行驶行为表现特征的多元性,采用BP神经网络技术与Dempster-Shafer证据推理技术相结合的信息模式分类及融合判断的解决方案.为验证所提出的方案,建立车载摄像机视频实时检测系统,以车道偏离信息和跟驰车间距信息作为车辆行驶的表征参量,实现车辆险态行驶特征表现的检测和评价.研究结果表明,模式分类和多源信息融合决策技术的综合运用提高了车辆危险行驶姿态表征信息甄别的自适应性和智能化水平.      

基于图神经网络的水富—宜宾航道多站点水位预报模型

受到岷江、横江影响,向家坝下游水富—宜宾段水位变化特性复杂,干支流间水位、流量数据属于多维时空数据。研究选取spectral temporal graph neural network(StemGNN)时空图神经网络用于向家坝下游多站点水位预报,结果表明：该方法适用于研究区域的多站点水位预报,未来1、8 h模型预报性能较优,在向家坝站、宜宾站、李庄站3处的最大预报误差约为0.5 m。StemGNN特点是能够从输入数据中自动提取河网结构信息,体现研究区域的汇流特性。横江流量对于研究区域水位流量影响较小;向家坝水库水位、横江水位、高场水位代表研究区域前期的水位情况,高场流量作为较大的流量输入,对于研究区域水位流量影响较大。研究成果可为近坝段、支流入汇等水位变化特性复杂河段的多站点水位预报提供新思路。     

城市交通枢纽短期客流量的组合预测模型

客流量的预测对交通枢纽内部组织方案和应急预案的调整起着重要作用,为了更为精确地对交通枢纽短期的客流量进行预测分析,通过分析交通枢纽客流量的变化特点,对比各种预测方法的优缺点,建立了综合BP神经网络和最小二乘支持向量机的组合预测模型,通过BP神经网络初步预测,再利用最小二乘支持向量机的修正,完成对交通枢纽客流量的预测。实际数据验证表明,相比单一的预测模型,文内提出的模型能够将交通枢纽的客流量的预测精度提高约1%,表明论文中方法能够克服单一模型带来的不确定性。      

具有无穷时滞高阶模糊Cohen-Grossberg神经网络的稳定性

利用M矩阵理论和矩阵不等式、矢量Lyapunov 函数法,研究了一类具有无穷时滞的高阶模糊Cohen-Grossberg神经网络的全局指数稳定性.在不要求神经网络激活函数的单调递增性、可微性及Lipschitz连续等假设条件下,得到了该类神经网络平衡点的存在性和唯一性,以及全局指数稳定性的代数判据.该判据为M矩阵的显式形式,与系统的时间滞后以及反应扩散无关,易于在应用中进行检验.最后,通过仿真算例,验证了该方法的正确性和有效性.      

基于组合预测模型的轮轨力连续测试

为了精确判断车辆的运行状态,提出了一种轮轨力连续测试方法.根据轮轨相互作用的特点,采用阈值判断法从测试数据中提取轮轨力的有效信息.针对轮轨力测试系统的时变性和不确定性,将动态测试序列作为灰色过程处理,提出用灰色理论对轮轨力进行连续测试.为了提高预测精度,结合遗传算法和神经网络对传统的GM(1,1)模型进行改进.建立了10个预测模型分别进行预测,然后将精度较高的预测值输入串联灰色神经网络进行二次预测,以提高预测精度与稳定性.将这10个预测模型应用到轮轨力连续测试中,结果表明:灰色系统、遗传算法与神经网络三者的组合模型具有较高的精度,平均相对误差不超过2%,满足轮轨力连续测试的要求,并且能够降低传感器失效对测试结果的影响.     

基于灰色神经网络的点速度预测模型

为了克服交通流时空不稳定性导致的检测数据误差,提高预测点速度的精度,在比较传统灰色预测模型和反向(BP)神经网络预测模型优缺点的基础上,建立了灰色神经网络点速度预测模型.该模型综合了灰色预测模型所需数据少及神经网络具有的自学习和自适应能力的特点.以实测值作为输出数据,构建不同的灰色预测模型,将各灰色预测模型的预测结果作为BP神经网络训练的输入数据,得到最佳的预测模型.实例分析表明:与传统灰色理论及BP神经网络预测模型相比较,在20、40和60s采样间隔条件下,本文模型预测结果与实测值的相对误差平均减少了32％,为交通运行状态评价和行程时间预测提供了依据.     

基于BP网络的驾驶员黄昏空间距离判识规律

为研究黄昏时段行车时,驾驶员对空间距离判识随环境照度的变化规律,进行实际道路试验.选用32名男性驾驶员,在不同自然环境照度下,判识不同空间深度距离时红、绿色障碍物的绝对距离和相对距离.统计分析被试判识结果,分析距离判识差异,获得空间距离判识特征值.运用BP神经网络,模拟距离判识结果,分析距离判识变化规律.结果表明：红、绿色障碍物黄昏时距离判识差异显著,BP网络可以很好拟合距离判识变化规律.绝对距离和相对距离判识结果,均随环境照度降低而增加;判识距离随深度距离增加也增加,相对距离增加较小.     

基于BP神经网络的高速公路专项养护工程安全风险评估研究

根据高速公路专项养护工程施工中的安全特性,选取16项评估指标,建立了专项养护工程安全风险评估指标体系。在此基础上,提出了基于BP神经网络的专项养护工程安全风险评估模型。通过实例对评估模型进行训练及检测分析。结果表明,模型可对高速公路专项养护工程进行有效的安全风险评估,并为其工程安全管理提供决策依据。