关于《高等数学》记忆方法的探讨

探讨了学习《高等数学》的记忆方法。通过对记忆方法的分类,使学习者能够更好地掌握学习《高等数学》的记忆方法,并将之融于自己的学习方法中。     

美国磁浮系统的经济分析及启示

通过介绍美国磁浮系统研究的有关基础数据和方法,包括研究背景、收入与成本的估算方法以及磁浮系统在单线和网络情况下的财务评价结论,对美国磁悬浮系统经济可行性研究进行了详细介绍.结合中国经济和交通运输业背景,认为磁浮建设应分阶段、分地域逐步进行,并应从提高设备国产化程度、提供高质量服务加强项目整体规划和商业运营等方面提高磁浮系统收益,降低成本.     

Linux环境下计算机联锁系统进程通信的实现

铁路信号计算机联锁系统中联锁关系关键依靠控制大量的数据交换来实现,因此,可靠而高效的数据通信方式十分重要.本文描述了以Linux为平台,在某铁路局已经投入使用的计算机联锁系统中进程通信实现方法.主要讨论了Linux进程通信中的两种方法:共享内存和信号量.     

电动汽车用内置式永磁同步电机气隙磁场解析建模与多目标优化

为提高电动汽车用内置式永磁同步电机气隙磁场解析计算精度和优化效率，利用混合解析法建立考虑转子铁心磁桥饱和效应的电机气隙磁场参数化解析模型。首先利用联合等效磁路法的子域法建立内置式永磁同步电机开路气隙磁场解析模型；然后利用同样方法建立转子磁桥虚拟磁场解析模型，从而得到考虑转子磁桥饱和效应的电枢反应磁场解析模型；最后通过叠加原理建立内置式永磁同步电机合成气隙磁场解析模型。通过有限元仿真和转矩测试验证内置式永磁同步电机气隙磁场解析模型的准确性。基于所建立的解析模型，以永磁体极弧宽度、定子槽口宽度和转子端部磁桥厚度为优化变量，以特定阶次频率的径向力波、转矩和效率为优化目标，利用带精英策略的非支配排序遗传算法，对一台电动汽车用内置式永磁同步电机样机进行多变量多目标优化。研究结果表明：与试验结果相比，解析计算误差小于5%,而计算时间较有限元仿真缩短90%以上；优化后，电机特定阶次频率的径向力波减小了9.2%,最大转矩提升了2.49%,最大效率提升了0.69%,高效区面积扩大了约54.46%;所提方法既解决了内置式永磁同步电机强非线性和高饱和的解析建模共性难点，又极大提高了电机多目标优化效率；研究可...     

基于猎人猎物优化与双向长短时记忆组合模型的汽车出车率预测

汽车出车率预测对于交通管理者预先制定精准化管控方案、实施协调化统筹调度，以及调控汽车保有量规模具有重要意义。为此，本文提出一种基于猎人猎物优化算法与双向长短时记忆神经网络组合模型(HPO-BiLSTM)的汽车出车率预测方法。首先，分析汽车出车率的关键影响因素，提取出17个特征影响因子，结合标准化处理后的重构时间序列，基于随机森林算法进行变量的重要度评估，筛选出最优特征集合作为预测模型输入；其次，为解决神经网络算法容易陷入局部极值的难题，建立一种融合猎人猎物优化算法(HPO)与双向长短时记忆神经网络(BiLSTM)的组合预测模型，利用HPO的探索-开发机制，实现BiLSTM框架的动态化搭建与精细化调参；最后，结合北京市中心城区的汽车出车率数据集进行模型性能的测试与检验。结果表明：与自回归差分移动平均模型、灰色模型、卷积神经网络模型、长短时记忆神经网络模型以及双向长短时记忆神经网络模型等经典算法相比，HPO-BiLSTM模型在汽车出车率预测中的平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)分别降低了23.85%～54.38%、20.67%～57.40%、27...     

基于长短期记忆神经网络与注意力机制的智能汽车分车型跟驰模型

考虑到跟驰车流中前车车型对智能汽车跟车行为的影响，采用长短期记忆 （Long Short Term Memory，LSTM）神经网络，基于 NGSIM 数据集，通过 One-Hot方法编码车型特征，并引入注意力机制 （Attention Mechanism） 生成输入特征的注意力权重，训练并建立了一种可根据前车车型产生不同跟驰行为的智能车辆跟驰模型 （Identifiable Vehicle Type Car-Following Model，IVT-CF）。在不同前车车型的跟车场景中仿真发现，IVT-CF 模型仿真车辆的速度和位移的均方误差 （Mean Square Error，MSE） 比不分车型的 LSTM 模型分别降低了 23.8%、31.7%，比 IDM 模型分别降低了 15.8%、18.7%，仿真精度更高。在混入大型车辆的车队跟驰场景仿真中发现，交通流速度和车头间距的收敛时间为 92 s，该模型能较快收敛，具有较好的稳定性和抗干扰能力。     

基于CNN和LSTM融合特征提取的车内声品质评价模型研究

基于深度学习方法建立的车内声品质评价模型不需要高度依赖声学理论和经验知识，可以有效提取深层次特征，客观高效地获得符合主观感受的评价结果。为获取噪声中符合人耳对声音感受的频率信息，便于在深度学习中进行特征提取，采用对数梅尔频谱和时频遮掩相结合的方法对采集到的噪声样本进行预处理。为有效提取车内噪声深层次特征，融合卷积神经网络 （Convolution Neural Network，CNN） 和长短时记忆网络 （Long Short-Term Memory Network，LSTM） 各自的优点，建立了融合特征提取层。使用全连接和Softmax输出单元组合构建了分类器模块。在合适的超参数下，模型通过充足的训练获得了96.88%的训练准确度。使用大量样本对模型进行验证，得到93.69%的验证准确度；采用混淆矩阵对模型进一步验证，总体的预测评价等级与真实评价等级偏差不大，证明模型的预测结果与主观评价结果具有很好的一致性。     

基于图时空神经网络的多充电站负荷协同预测方法

针对传统充电站负荷预测方法只能实现对单一站点预测的问题，提出一种基于图时空神经网络 （Graph Spatiotemporal Neural Network， GSTNN） 模型的多充电站负荷协同预测方法。定义时空信息图，描述充电站负荷之间的时空关系；构建时空特征提取网络，分别利用图卷积神经网络和门控序列卷积网络提取信息图的空间和时间维度信息，并使用长短期记忆网络 （Long Short Term Memory Networks，LSTM） 挖掘影响负荷预测的外部特征信息；融合提取的所有特征，进行负荷预测。算例结果表明，基于 GSTNN模型的方法能充分考虑时空特征和外部特征的影响，协同多个充电站的负荷数据进行预测，并同时输出各充电站的预测结果，有效提高预测准确度，有助于电网稳定运行。