基于深度学习的破碎带盾构施工沉降预测分析

为进一步提高复杂地层条件下盾构沉降预测的准确性，以广州地铁7号线1期工程谢村站-钟村站区间盾构工程为依托，针对破碎带盾构隧道沉降控制难题，提出基于深度学习的人工智能预测模型。通过分析开挖面破碎带分布规律，确定将破碎带面积比作为地层特性参数。采用相关系数矩阵分析不同施工参数与破碎带面积比的相关性，确定采用刀盘转矩代表破碎带面积比实时描述地层分布特性。以刀盘转矩、盾尾间隙与注浆量作为输入值，地面沉降作为输出值训练深度学习模型，并利用训练后的深度学习模型进行沉降预测分析。通过分析预测结果与沉降实测值的对比验证预测模型的有效性。     

工学结合模式下的高职院校公共基础课教学改革与实践

本文首先指出公共基础课教学改革是工学结合人才培养模式改革的重要组成部分,公共基础课对学生职业能力和综合素质培养具有十分重要的作用;同时分析了当前高等职业教育公共基础课教学现状及其不足,提出了工学结合模式下公共基础课教学改革的基本思路;最后将它应用于高职院校公共英语和公共计算机基础课程教学的改革实践,取得了良好成效。     

基于遗传算法和极限学习机的智能算法在基坑变形预测中的应用

为解决传统智能算法网络结构参数复杂、运算速度慢等问题,基于遗传算法和极限学习机构建基坑变形的新型优化智能预测模型。先利用皮尔逊相关系数评价不同影响因素与基坑沉降变形之间的相关性,以确定极限学习机的输入层; 再采用试算法确定最优激励函数和隐层节点数,并将遗传算法和极限学习机耦合,利用遗传算法优化极限学习机的初始权值和阈值,以提高预测精度。经实例检验表明： 1)开挖时间、开挖深度、土体抗剪参数及重度均与基坑沉降变形显著相关,为构建极限学习机输入层提供了依据; 2)在预测过程中,激励函数和隐层节点数对极限学习机的预测效果具有一定的影响,以Sigmiod型激励函数和13个隐层节点数的预测效果为最优; 3)通过遗传算法的优化,能进一步提高预测精度,验证了遗传算法的优化能力和有效性。预测模型在不同工况下的预测结果均较优,说明该模型具有较高的稳定性和可靠性。     

混合智能控制技术在船舶电站励磁控制中的应用

将混合智能控制技术应用于船舶电站同步发电机励磁控制，通过一种结合自组织学习和BP学习的混合学习算法，学习并调整控制器参数和结构，该算法比通常的BP算法收敛性好，速度快。仿真结果表明，该算法能很好地稳定机端电压。     

基于非完备贝叶斯网络的车型识别方法

针对BP神经网络等车型识别算法不能很好地适应我国车型复杂状况，分析了贝叶斯网络（IDS-BN）算法中完备数据集的问题，提出了基于非完备数据集的贝叶斯网络车型识别方法和车型识别系统结构模块，基于该模块拟定了车型特征变量．构建了车型识别网络模型，并给出了模型参数学习、车型分类器等算法，包括MDL评分和贪婪搜索的结构学习、EM参数学习、随机模拟采样推理等。实验表明，该方法识别率较高，鲁棒性好，满足我国车型识别的实际要求。     

基于注意力机制的CNN-LSTM剩余寿命预测研究

机械设备剩余寿命的准确预测可以降低昂贵的维护费用,提高机械设备的安全性。随着深度学习的发展以及注意力机制被广泛应用于各个领域,基于数据驱动的剩余寿命预测方法为机械设备寿命预测提供了众多的方法。文章提出了一种基于注意力机制的CNN-LSTM剩余寿命预测方法,该方法利用不同的注意力机制包括通道注意力、CBAM机制和自注意力等进行剩余寿命预测试验。注意力机制可以向CNN-LSTM提取的特征信息分配不同的权重,突出关键的特征信息,过滤无用信息,进而更准确地表示设备的退化特征信息,最终得到设备的剩余寿命。文章对NASA发动机数据集进行了剩余寿命预测试验,同时研究了不同注意力机制影响,试验结果表明,基于注意力机制的方法可以有效地进行剩余寿命预测,所提方法具有一定的应用价值。     

改进支持向量回归机的短时交通流预测

短时交通流预测是实施智能交通控制的基础和保障.针对目前短时交通流预测方法拟合交通数据的能力偏弱，以及过分依赖历史数据的不足，提出一种基于深度学习回归机的短时交通流预测方法.首先构建深度学习回归机算法模型，包括受限玻尔兹曼机的显层节点输入端，受限玻尔兹曼机的若干中间层，以及径向基支持向量回归机输出端.通过实验将深度学习回归机预测方法与其他典型的短时交通流预测算法进行比较，结果表明，在相同的数据和计算平台下，本文提出的深度学习回归机预测方法精度更高，且预测实时性也能满足实际的需求.     

基于视频图像的公路隧道火灾烟雾检测

为有效检测公路隧道火灾烟雾并预警，针对公路隧道传统火灾烟雾探测器存在的反应慢和功能单一等问题，通过分析研究火灾烟雾视频图像的颜色和纹理特征，提出一种基于烟雾图像特征的公路隧道火灾烟雾检测方法。首先，通过改进后的Vibe算法模型提取图像运动区域；然后，在YUV色彩空间中确定疑似烟雾区域后利用颜色滤出方法分割出疑似烟雾区域；最后，用从疑似烟雾区域图像中提取的颜色矩和均匀局部二进制模式（ULBP）与灰度共生矩阵（GLCM）构成机器学习分类器的输入向量进行隧道火灾烟雾识别。为满足复杂的隧道环境，对比分析BP神经网络、支持向量机、随机森林3种机器学习分类器的烟雾识别效果，选出最优算法作为公路隧道烟雾识别分类器。通过模拟公路隧道火灾烟雾试验视频和某实际公路隧道火灾视频对分类器进行试验测试，结果表明： 基于BP神经网络算法的检测系统识别性能最优，选取的烟雾特征具有较高识别精度，能够在隧道复杂环境中识别火灾烟雾。     

基于改进极限学习机的公交站点 短时客流预测方法

以公交车IC 卡和GPS数据为基础，提出了一种基于改进粒子群算法优化极限学习机(IPSO-ELM)的公交站点短时客流预测模型.依托IC 卡和GPS 数据在站点的特征表现和内在联系，定义了站点间距，并分析了站间距和车辆到总站距离间的联系；提出了公交乘客上车站点确定方法，进而得到公交站点上车客流量；通过分析公交客流数据特征，确定ELM输入参数维度，并采用IPSO 算法找到ELM的最优隐含层节点参数；最后依托广州市19 路公交车客流数据仓库进行了方法验证.结果表明：所用优化后的ELM方法预测误差在10%以内，并与应用广泛的SVM、ARIMA和传统ELM模型进行对比分析，发现改进的ELM方法拥有更高的可靠性和泛化性能.     

基于强化学习的干线信号混合协同优化方法

交通拥堵已成为很多大中城市普遍存在的社会问题。信号控制作为缓堵保畅的重要措施之一，愈发受到社会关注。信号优化手段可分为模型驱动和数据驱动两类，且随着交通大数据的不断充实，基于强化学习的数据驱动方法日益成为新兴发展方向。然而，现有数据驱动类研究主要偏重于决策模型设计，缺乏对智能体结构的探讨；同时，在多路口协同方面多采用分布式策略， 忽略了智能体之间信息交互，无法保障区域层面的整体最优性。为此，本文以干线信号为对象， 构建一种多智能体混合式协同决策的信号优化方法。首先，针对交通状态的多样性、异构性及数据不均衡性，设计分布训练-分区记忆的单智能体决策模型，并优化状态空间和回报函数，界定单路口控制的最佳方案；其次，融合分布式和集中式学习的模型优势设计多智能体交互方法，在单路口分布式控制的基础上，设置中心智能体评价局部智能体的决策行为并反馈附加回报以调整局部智能体的决策模型，实现干线多信号的协同运行。最后，搭建仿真平台完成效果测试与算法对比。结果表明：新方法与独立优化和分布式协同相比，在支路交通流基本不受影响的前提下， 干线停车次数分别降低了14.8%和13.6%，具有更好的控制效果。