排序方式: 共有117条查询结果,搜索用时 0 毫秒
1.
2.
由于在现实生活中能够采集到的不同雾天等级的高速公路车辆跟驰样本有限,导致雾天跟驰模型精度不佳,为此在长短时记忆神经网络(long short-term memory,LSTM)跟驰模型的基础上,采用迁移学习(transfer learning,TL)方法来提升雾天跟驰模型的性能。利用驾驶模拟实验平台搭建高速公路雾天与正常天气2种实验场景进行驾驶模拟实验,获得296组正常天气下(源域)的跟驰样本与100组雾天下(目标域)的跟驰样本。提出了基于最长公共子序列(longest common sequence solution,LCSS)的迁移样本选择方法,从源域中选出100个样本迁移至目标域中,通过扩大训练样本提升LSTM从源域、目标域特征到目标域输出的端对端泛化学习能力,得到雾天高速公路车辆跟驰模型。为对比所提样本迁移方法对LSTM模型的效用,将LSTM-TL模型与训练样本全部来源于源域的LSTM-S模型和训练样本全部来源于目标域的LSTM-T模型进行对比,LSTM-TL模型的均方误差、均方根误差和平均绝对误差比LSTM-S模型分别减小47.5%、27.7%和46.5%,比LSTM-T模型减小31.1%、17.0%和29.9%。为对比不同模型在仅有100组目标域样本时的性能,将LSTM-TL模型与Gipps、IDM、BP这3个模型进行对比,LSTM-TL模型的均方误差、均方根误差和平均绝对误差比3个模型中表现最优的Gipps模型减小18.5%、8.0%和25.9%。结果表明:直接将LSTM-S模型应用于目标域的预测,其精度不高,采用样本迁移合理可行;LCSS方法对源域样本筛选有效,由100个源域样本迁移到目标域训练得到的LSTM-TL模型的精度最高;在小样本情况下,拥有较少参数的Gipps模型预测精度优于LSTM-T或LSTM-S模型,但由于迁移学习能够从源域样本中获取知识的特性,LSTM-TL模型有着最高的精度。 相似文献
3.
4.
让道路标线亮起来或许是每一个开车的人的一种期待。每当雨天,道路标线因雨水遮挡看不清楚的时候;每当雾天,道路标线因大雾弥漫看不清楚的时候;每当夜晚,道路标线因夜色朦胧看不清楚的时候,我们都会情不自禁地有这种期待。让道路标线亮起来,也是每一个城市的需要,因为模糊不清已经成为了城市道路标线越来越突出的问题;亮起来的道路标线不仅为城市的夜晚增添靓丽的色彩,也是城市道路安全一个不可忽视的方面。 相似文献
5.
<正>最原始:用干布或纸巾擦特点:立竿见影,但费力,不安全,擦过后留痕。最原始的办法,就是直接用干布擦拭玻璃。这种场面想必不少人也见过:司机们常备一块毛巾,趁着红灯停车时就使劲擦玻璃。这种方法的缺点是比较费劲,擦拭过后玻璃上还会留下痕迹,而且很快又会起雾。假如一边开车一边擦还容易导致事故。一位网友说自己提车后的第一个下雨天,副驾驶座上的他就是这样帮司机老婆擦玻璃的,"可最后还是跟别的车刮蹭了"。 相似文献
6.
京沪高速公路连接我国的政治中心(北京)和经济中心(上海),是国家公路网中最早贯通的一条高速公路,总里程1240多公里。全线除天津段绕行天津外环线(一级公路)和“京福高速”代用线(一级汽车专用线)外,其它路段均为双向四车道以上的高速公路。京沪高速淮安段全长79.5公里,穿越淮安市的16个乡镇45个行政村,3个收费站、2个服务区,王兴和马店两个大型交通枢纽分别与宁连高速、宿淮盐高速互通, 相似文献
7.
8.
9.
10.