基于高低的高速铁路简支梁徐变上拱识别方法

研究目的:现有监测手段难以高效经济地测量高速铁路全线简支梁的徐变上拱量,但可以通过分析轨道动态检测数据实现有效识别。因此,本文选取我国某高速铁路长达7年的检测数据,结合小波分解、极值点搜寻和概率分布拟合,对每一跨简支梁的高低波形进行识别,然后通过波形关键点识别简支梁徐变上拱量,并研究其发展规律。研究结论:(1)波形识别算法对24 m梁和32 m梁的识别准确率分别为94.3%和96.4%;(2)简支梁徐变上拱与混凝土徐变的发展规律相近,利用最小二乘法拟合得到了上拱量发展曲线;(3)在线路开通运营6年后,24 m梁上拱量的中位数在1.5~2.0 mm之间,32 m梁上拱量的中位数在2.0~2.6 mm之间,简支梁徐变上拱的发展趋于平缓,未来的发展空间有限;(4)本研究成果对掌握高铁桥梁变形状态和指导线路养护维修具有参考价值。     

基于实时视景仿真技术的海上航标监管系统

海上航标系统是海上交通安全保障体系的重要组成部分。结合上海海事局厦门航标处的航标日常管理与实时监控的实际业务需求,开展了利用实时视景仿真技术与电子海图相结合构建海上航标监管系统的应用研究和系统实现等工作。该系统的实现,有利于航标设置方案的审定与选择,有利于监控者对现场环境的把握和应急决策。     

地铁列车障碍物视频识别系统设计

基于视频图像识别技术的列车障碍物识别系统,可以实现无人驾驶列车前进方向轨道内障碍物的自动检测。该系统通过采用2台独立的高清摄像机采集图像数据,经软件的智能计算分析,可识别列车前方是否存在障碍物,并实现障碍物与车辆之间的距离测量。该技术在业内属首次开发,可实现列车前方障碍物的检测,有效替代司机进行线路瞭望。目前本系统已通过功能仿真验证测试,拟在实际运行线路的列车上进一步进行功能验证。     

基于轮廓线特征的三维人脸识别改进算法

研究基于面部轮廓曲线特征的三维人脸识别。为提取最优面部曲线特征,提出一种基于模糊聚类方法的人脸曲线特征优选算法。该算法从三维人脸深度图中选取最具代表性的8条轮廓曲线,作为主要识别特征,这在很大程度上降低了计算复杂度,克服表情和光照对人脸识别的消极影响,同时它用最少的轮廓线包含了所需要的人脸识别信息。基于这些人脸轮廓线特征,利用改进的Manhattan距离分类器来提高人脸识别的分类效果。实验结果表明,所提出的算法明显提高了人脸识别率,并且具有很强的鲁棒性。     

基于线谱特征提取的被动声纳目标识技术研究

该文针对被动声纳目标识别,着重研究了线谱特征提取方法,提出了一种自适应遗传BP算法,并用该算法训练神经网络目标分类器。经对上海上实录三类目标噪声分类识别实验结果表明,所设计的被动声纳目标识别系统具有很好的分类效果。     

甩挂运输半挂车电子标识技术研究

针对现阶段的道路运输远程监控体系中无法识别半挂车的身份与特征信息的问题,通过对甩挂运输企业、站(场)、整车生产企业进行广泛调研,文中提出了基于RFID无线射频技术的甩挂运输半挂车身份电子标识技术要求,分析了电子标识具体技术参数的限值范围,为规范甩挂运输半挂车身份电子标识的发展提供了技术支撑。     

基于Halcon及VS的动车组制动闸片厚度自动识别模块

研究基于图像处理和模式识别的动车组闸片厚度自动识别模块,解决动车组制动时因闸片过薄而导致的车轮迅速升温,甚至引发不安全状态的问题.该模块可实现动车组通过时自动检测,即自动拼图、图像预处理、模型定位及制动闸片厚度计算,并对厚度小于一定数值的闸片进行自动报警.通过大量实验和测试表明,该模块可以有效地计算闸片的厚度,具有很好...     

模糊模式识别在电器性能综合评估中的应用

采用了改进的模糊模式识别的方法,从综合考虑电磁电器产品性能的角度出发,将动态测得的能够反映电磁电器性能的主要特性指标,作为模糊模式识别的级别变量特征值,建立了综合评估电磁电器性能的模糊模式识别模型,并运用该方法对CJ20-100A交流接触器进行了综合评估,结果合理,方法可行,有一定的参考价值。     

交通出行统一帐号的电子支付MaaS运营探索

交通出行已经定位为民生实事,要求2019年全国260个地级以上城市交通出行城际无障碍互联互通,同时交通出行在不断创新的服务推动下已经悄然升级到MaaS一体化智慧出行新时代,电子支付已经成为交通出行MaaS服务的强力推手,必须对各类电子支付实现集约化运营。提出了基于统一帐号的金融级安全+电信级通信能力的交通出行聚合支付体系架构,基于该体系架构交通运营机构可利用自身优势资源,向用户提供多种账户,多种接入方式的出行全业务聚合支付服务,在完成交通运输部城市交通出行互联互通的同时构建了基于资金信息流的出行“数据链”,向云计算和大数据的智慧服务和运营体系推进。     

基于LSTM网络的驾驶意图识别及车辆轨迹预测

自动驾驶汽车需具备预测周围车辆轨迹的能力,以便做出合理的决策规划,提高行驶安全性和乘坐舒适性。运用深度学习方法,设计了一种基于长短时记忆（LSTM）网络的驾驶意图识别及车辆轨迹预测模型,该模型由意图识别模块和轨迹输出模块组成。意图识别模块负责识别驾驶意图,其利用Softmax函数计算出驾驶意图分别为向左换道、直线行驶、向右换道的概率;轨迹输出模块由编码器-解码器结构和混合密度网络（MDN）层组成,其中的编码器将历史轨迹信息编码为上下文向量,解码器结合上下文向量和已识别的驾驶意图信息预测未来轨迹;引入MDN层的目的是利用概率分布来表示车辆未来位置,而非仅仅预测一条确定的轨迹,以提高预测结果的可靠性和模型的鲁棒性。此外,将被预测车辆及其周围车辆组成的整体视为研究对象,使模型能够理解车-车间的交互式行为,响应交通环境的变化,动态地预测车辆位置。使用基于真实路况信息的NGSIM（Next Generation SIMulation）数据集对模型进行训练、验证与测试。研究结果表明：与传统的基于模型的方法相比,基于LSTM网络的轨迹预测方法在预测长时域轨迹上具有明显的优势,考虑交互式信息的意图识别模块具备更高的预判性和准确率,且基于意图识别的轨迹预测能降低预测轨迹与真实轨迹间的均方根误差,显著提高轨迹预测精度。