基于小波降噪和灰色神经网络的车辙深度指标预测

车辙是高速公路的主要病害之一,也是路面使用性能重要指标之一。在路面车辙深度指标预测中,带有噪声的数据不可避免地会影响预测的准确性。为此,先采用db3小波滤波器对采样信号进行了降噪预处理,然后采用改进型灰色理论与神经网络相结合的方法对路面车辙深度指标进行了预测,并与传统拟合公式法进行了比较。结果表明:本方法准确度更高,相对误差更小。     

基于计算机视觉技术和深度学习的隧道掌子面岩体裂隙自动识别方法研究

对掌子面图像的裂隙识别和特征提取进行研究，首先根据隧道中光照不足和光线不均匀的特点，对掌子面图像集进行包含多种光照处理措施在内的数据增强；通过Unet网络识别掌子面轮廓，其平均交并比和平均相似度为91%和93%；利用形态学操作使掌子面轮廓边缘平滑，消除噪点。然后利用拆分-拼接策略处理高分辨率掌子面图像，通过DeepCrack网络模型迁移学习识别岩体裂隙，其平均交并比和平均相似度为61%和75%。利用Zhang-Suen算法和8邻域标记算法进一步对识别结果进行细化、骨架化和连通域分析。最后，通过控制点标记和腐蚀标记法计算每条裂隙的像素级长度和倾角。     

基于蝙蝠算法优化的BP神经网络煤层冲击危险性智能综合评价研究

通过深入分析开采深度、煤层顶底板性质、冲击倾向性、地质构造、开采技术等因素对煤层冲击危险性的影响，建立基于蝙蝠算法优化的BP神经网络煤层冲击危险性智能综合评价模型；将所确定的影响冲击危险性因素进行数量级划分，利用蝙蝠算法对BP神经网络的权值与阈值最优值选择进行优化，对煤层冲击危险性进行无冲击危险性、弱冲击危险性、中等冲击危险性、强冲击危险性的等级评价。应用蝙蝠算法优化BP神经网络煤层冲击危险性智能综合评价模型对内蒙古某矿的煤层及江苏某煤矿工作面进行实例验证，评价结果与综合指数法计算所得结果一致，表明该模型可以用于煤层冲击危险性评价。应用该模型对煤层进行冲击危险性评价时，改善了BP网络结构在权值和阈值确定上的随机缺陷，提高了算法稳定性，因而得到的评价结果更加合理。     

基于LSTM神经网络车辆零部件载荷预测方法研究

载荷信号是对车辆零部件结构的可靠性和疲劳耐久分析的基础。文章针对当前工程应用中载荷谱获取方法的不足，提出了一种基于LSTM神经网络来预测车辆零部件载荷的方法。将实采信号经过预处理后，选取整车六分力参数为输入，实现了减振器弹簧、稳定杆等底盘悬架零部件在比利时路面下载荷的预测，并从时域信号、功率谱密度、损伤方面将预测结果与实际测量结果进行了对比。结果表明，LSTM模型有足够高的精度，为整车结构载荷获取提供了一种新的途径。     

基于卷积块注意力模块和双向特征金字塔网络的接触网支持装置检测方法研究

接触网支持装置是接触网悬挂状态检测监测图像分析的关键对象，对支持装置零部件的检测定位是实现缺陷自动分析的基础。针对接触网支持装置零部件种类多、尺寸差异大、存在遮挡、部分零部件相似度高等问题，提出一种融合卷积块注意力模块（convolutional block attention module,CBAM）和双向特征金字塔网络（bidirectional feature pyramid network,BiFPN）的接触网支持装置检测方法。在YOLO v5s网络模型基础上，该方法通过CBAM增强接触网支持装置的特征提取，结合BiFPN，实现不同零部件分辨率特征图的融合。利用4C装置获得的图像数据集，开展验证试验。试验结果表明，相对YOLO v5s网络模型，融合CBAM和BiFPN的接触网支持装置检测方法，网络平均精度mAP@0.5提高2.12%；能显著提升小目标检测效果，提高定位的准确性和稳定性，对接触网状态的智能分析有重要意义。     

基于混沌递进预测模型与趋势检验的深基坑变形规律研究

为提高基坑变形预测精度及稳定性,首先,利用遗传算法优化BP神经网络的结构参数,再将参数优化后的BP神经网络与灰色模型结合,构建出GA-BP神经网络模型,并利用该模型实现基坑变形序列的初步预测; 其次,基于残差序列的混沌特性,再利用混沌理论进行残差优化,进一步构建考虑混沌特性优化的GA-BP神经网络模型; 最后,将SR检验引入到基坑变形趋势判断中,以检验预测结果的准确性。实例检验表明： 通过遗传算法及混沌理论的递进优化,能逐步提高预测精度,验证文章预测模型的有效性,且预测结果与SR检验结果的一致性较好,说明该预测模型的可信度高。     

基于AIS船舶数据的港口交通流量预测模型研究

针对当前船舶交通流量预测手段落后,精度不高的问题,利用宝船网A PI数据接口提取船舶A IS数据,依托该数据构建基因算法优化神经网络的船舶交通流量预测模型,K近邻回归预测模型、时间序列预测模型和灰色预测模型的组合预测模型.通过自编程序采集了天津港某时段的船舶交通流量数据,在剔除错误和不可用数据后,对船舶交通流量数据进行统计,分析得到了进出天津港的船舶航行特性.同时为了更直观的验证所提出的预测模型效果,与利用K近邻回归、时间序列和灰色预测模型3种方法预测的结果进行对比.组合模型进港预测的平均绝对误差、均方误差和平均相对误差分别是0.5595,1.0119和12.98%,出港分别是0.6726,1.3155和15.23%,以上指标均优于上述的传统3种模型.相比于组合模型,优化的BP神经网络模型预测结果更优,进港和出港预测的平均相对误差分别降低了3.23% 和4.76%,结论证明,组合模型和优化的BP神经网络模型具有较高的预测精度.      

基于脑电信号的疲劳驾驶状态研究EI北大核心CSCD

为准确快速检测驾驶员的疲劳状态,本文中提出了一种基于脑网络特征的疲劳检测方法。首先选取真实驾驶实验环境,实时采集驾驶员的脑电信号,对其进行小波包分解与重构,提取各个节律信号。接着通过计算各导联间的相位迟滞指数,构建连接矩阵,并提取各个节律的脑网络特征。最后通过对驾驶员主观疲劳度与所提取特征的人工神经网络回归分析,得到二者间的复杂关系,相关性系数R为90.27%。结果验证了基于功能连接的精神疲劳评估方法的可行性,为不同精神状态下建立脑动态模型开辟了新的途径。本文中提出的方法利用较少电极可穿戴EEG设备检测疲劳简便、经济,对驾驶员疲劳检测系统的开发具有重要意义。     

基于多因素神经网络模型的柴油机NO_x排放预测及试验研究

以发动机转速、进气量、循环油量、发动机出水温度、中冷后进气温度、进气湿度、排气背压、柴油温度作为输入,NO_x排放质量流量为输出,优化隐层节点和迭代次数,并经过样本训练,构建了NO_x排放预测模型。结合台架试验数据,验证了模型的泛化能力,其预测值与试验值间误差小于1.5%。在此基础上,利用模型进一步分析了试验因素的重要度和试验控制性。结果表明:发动机转速、循环油耗、中冷后进气温度、排气背压对柴油机NO_x排放的影响相对较高;进气湿度控制范围过宽,对NO_x排放测试结果影响高于其他因素。