国际航运线上的炸礁人——写给澜沧江～湄公河航道建设者

有人说，时光会冲淡一切的，淡的让你无法记忆，甚至无影无踪；然而，我对为澜沧江～湄公河国际航运建设工地上，用拼搏去点亮人生的人们的记忆，却是时间越久越感觉刻骨铭心。     

基于人-车交互的行人轨迹预测

针对行人轨迹预测具有复杂、拥挤的场景和社会交互问题,基于长短时记忆网络（Long Short-term Memory Network, LSTM）对行人与车辆、行人与其他行人的交互进行建模,提出一种基于人-车交互的行人轨迹预测模型（VP-LSTM）。该模型同时考虑了行人与行人的交互、行人与车辆的交互,更适用于复杂的交通场景。所构建的VP-LSTM包括3个输入,以行人的方向和速度作为历史轨迹序列输入,行人与行人的相对位置作为人-人交互信息输入,行人与车辆的相对位置作为人-车交互信息输入。该方法首先设计扇形人-人交互邻域和圆形人-车交互邻域来准确捕捉对被预测行人有相互作用的行人和车辆;其次建立3种不同的LSTM编码层来编码历史行人轨迹序列、人-人、人-车社交信息;然后定义人-人、人-车交互的防碰撞函数和方向注意力函数作为人-车、人-人社交信息的权重,进一步提高社会信息的精度;再将人-人、人-车交互信息输入到注意力模块中筛选出对行人影响大的社会信息;最后将筛选后的社会信息与行人历史轨迹序列一起输入到LSTM神经网络中进行行人轨迹预测,并在构建的DUT人-车交互数据集上验证提出的网络。研究结果表明：提出的方法能够准确地预测出交通场景中,人-车交互行人未来一段时间内的运动轨迹,有效提高了预测精度,提高了智能驾驶决策的准确性。     

基于LSTM的滚动轴承寿命预测

针对滚动轴承剩余使用寿命预测难、一般的神经网络预测精度差的问题,提出了一种基于振动信号时域特征,结合滚动轴承理论寿命值和具有处理时序特征功能的LSTM(Long Short-Term Memory,长短期记忆网络)剩余使用寿命预测方法。首先按照时间顺序提取振动信号的均方根值、峰度、偏斜等15个时域特征作为判断滚动轴承退化的特征值;然后将其输入到LSTM中,将网络输出的轴承退化值设定为[0,1],0表示轴承完好,1为完全退化;最后采用滚动轴承理论寿命计算公式,根据滚动轴承的转速和载荷计算滚动轴承的基本额定寿命,结合其理论寿命和退化值得到定量的剩余寿命。试验结果表明,LSTM与理论寿命结合的滚动轴承寿命预测方法相比于一般的神经网络具有较高的预测精度。     

帕萨特(V6)驾驶员座椅和外后视镜的记忆功能设置与调用

一、设定步骤(一)记忆正常驾驶时的驾驶员座椅和外后视镜位置1.将点火开关打开;2.将驾驶员座椅左侧的“Memory Off”红色按钮按下;3.调节驾驶员座椅及外后视镜到最适合的位置,按下驾驶员座椅左侧一个记忆按钮(建议从第一个按钮开始)并保持,直到听见“咚”的提示音表明设置完毕(重复此步骤可以设置另外两个记忆按钮);4.驾驶员座椅上的记忆按钮设定完成后,立即断开点火开关并拔出点火钥匙,在5s内按住钥匙上的开启按钮不放,直到听见“咚”的提示音,钥匙的记忆设置完毕(重复第3步骤和第4步骤可以将设定好的位置记忆在另外的钥匙中,备用钥匙(无…     

2002款大切诺基记忆功能失灵

一辆2002款V8发动机大切诺基车主反映车辆记忆功能失灵报修。该款大切诺基车辆装备有车辆记忆系统。装备这种系统的车辆具有能够记忆两个驾驶人员预设收音机频道、后视镜位置、座椅位置的功能。启用该功能有两种方法。一种方法,驾驶员只要使用无钥匙进入遥控器(RKE)按动“UNLOCK”键就可以调用车辆电脑内存预置设定。此时当乘驾人员还未上车前记忆系统使车辆的收放机恢复到自己喜欢的预设频道(最多20个频道);使电动后视镜恢复到自己习惯的角度位置;使电动座椅恢复到自己习惯的     

电控发动机维修误区种种

误区一:未读取发动机电控单元(ECU)的故障码之前便拆除蓄电池连接线电控发动机的ECU都具有记忆功能。当电控系统在运行过程中出现故障时,发动机ECU便会存储相应的故障码。维修人员在进行维修和故障排除时,可以利用电控检测仪或人工读码法读取故障代码,从而根据故障码查找故障原因及故障部位。若在读取故障码之前贸然拆下蓄电池连接线,由于中断了发动机ECU的电源,存储在ECU随机存储器中的故障码便会消失,若想再获取故障码,就必须重复(再现)故障发生时的工作状况和环境条件,如特定范围的发动机转速及负荷、发动机的某种冷却液温度、某种…     

带阈值的广义双向细胞联想神经网络GCBAM及其稳定性质研究

在提出双向细胞联想神经网络CBAM的基础上,通过引入阈值概念,进而提出了广义双向细胞 联想神经网络GCBAM,研究了其平衡态,存在性质及其Lyapunov意义下的网络稳定性质。     

基于集合经验模态分解降噪和优化LSTM的道路交通事故预测

道路交通事故精准预测是有效提升交通安全的重要手段,由于事故数据经常呈现非线性、波动性、无周期性等特征,现有的算法存在预测效果不佳的问题。为此本文提出基于集合经验模态分解降噪算法(ensemble empirical mode decomposition,EEMD)和优化长短时记忆神经网络(long short-term memory,LSTM)的交通事故数量预测模型。在单一模型的基础上,引入降噪算法EEMD对噪声大的交通事故时间序列进行降噪处理,利用EEMD对事故时间序列进行分解得到多个子序列和1个残差项;基于粒子群优化算法(particle swarm optimization,PSO)优化LSTM网络结构参数,并在LSTM的最优网络结构下提取数据中的时间特征信息进行预测,对各子序列及残差的预测结果求和得到最终预测结果。研究结果表明：相对于EMD-PSO-LSTM,PSO-LSTM,EEMD-LSTM,LSTM这4个模型,EEMD-PSO-LSTM的预测效果最好,其对应的预测误差e_rmse分别降低了8.7%、48.3%、53.1%、57.6%,误差e_m...     

基于深度学习的电力负荷短期预测

为做好电网供需平衡,进一步改善电网的社会效益和经济效益,根据负荷数据的时序性特征,利用卷积神经网络的特征提取能力和长短期记忆神经网络捕捉时间序列关系的能力,采用卷积-长短期记忆混合神经网络进行电力负荷短期预测.首先根据历史数据对该模型进行训练,然后使用已训练好的模型进行预测,最后将其预测结果与长短期记忆神经网络预测结果进行比对.两组不同采样间隔的负荷预测仿真结果表明,卷积-长短期记忆混合神经网络相对于长短期记忆神经网络,可以更好地从负荷数据中提取出时序性特征,预测误差较小,精度较高,能够在电力短期负荷预测问题中提供可靠的预测结果.