基于计算机视觉的交叉口信号控制策略研究

应用计算机视觉技术研究了交叉口信号控制策略的优化问题。首先搭建了硬件实验平台,解决了交叉口交通状况实时感知问题;其次将深度强化算法应用到实际交通交叉路口场景中,有效提升交叉口通行效率,最后为了验证深度强化学习算法的有效性,应用SUMO软件搭建了典型交叉口仿真模型,应用深度强化学习算法得到实时最优信号配时。研究结果表明:将深度强化学习应用于交通信号的智能控制,能够得到良好的交通信号控制策略,有效地减少车辆停留时间、车辆延误和交通拥堵。其中,车辆的平均行驶时间减少了34.1%,平均队列长度缩短了19.4%,平均等待时间减少了24.0%。

官民之间:宋代对县及知县资序的重视

县作为构成统一国家的基层行政单位,对整个王朝统治的稳固具有重要的影响作用。作为中央权力的基层代言者,县官是地方各项事务的实际负责人,上承政令,下理民事,对地方的稳定发展以及中央能否对地方实行有效管治均负有莫大的责任。作为亲民官,地方上的大小事务县官无所不管,在执掌地方的过程中相应地能够积累治理经验。因而,知县资序在宋代官员磨勘铨选中被再三强调,成为转任升迁的必要前提。

河流的一生

清晨，当第一缕阳光洒进城市居住者的窗户，人们起床、刷牙、洗脸，开始一天繁忙的工作。当你顶着蓬松的头发站在盥洗室里拧开水龙头的那一刻，自来水便从经净化后的水库通过城市复杂的供水管道系统按特定的分配方式来到你的家中。你享受着既有的便利，却未察觉其间奥秘。然而，水在大自然中的传输流通与在水泥森林的传输流通不太相同。

沧海亦桑田 青藏高原地史变迁有感

近几年，随着青藏铁路的开通，无数向往西藏的人们都可以乘火车去感受屹立住“世界屋脊”上的这片神秘之地。这条被称作天路的铁路是世界上最长的高原铁路，全长达1956公里，由两宁至格尔木段和格尔木至拉萨段合成，整条线路位于平均海拔超过4500m的青藏高原之上。

科学思考趣谈

自人类开始有意识地观察自然界时，一种简单的联系就让最初的观察者兴奋不已。把动物的毛皮披在身上可以在气温寒冷时感觉好受些，被火烧过的食物更符合他们的口味，躲在山洞里就可以避免过于恶劣的气候的直接侵袭。这些简单的联系让他们更适合丛林法则时代的求生要求，从而能够从身边更多的同样在挣扎的物种中脱颖而出，成就现在的我们。

一种改进的GRU-InFCN人体行为识别模型

为了克服传统机器学习方法在采用传感器数据进行人体行为识别领域上识别效果对人工特征选取依赖严重、识别准确率不高等问题,提出一种改进的全卷积神经网络和多层循环神经网络并联的深度学习模型(GRU-InFCN),并对传感器数据特征进行自动提取,实现人体动作的识别。该模型通过多尺度卷积神经网络和双层GRU网络(Gated Recurrent Unit,GRU)分别对传感器数据进行特征提取,将特征矩阵在矩阵维度上进行特征拼接再通过Softmax完成特征分类。实验结果表明,在开源人体行为识别(HAR)数据集上采用该方法进行人体行为识别,准确率达到了97.76%。该模型在取得高准确率的同时,避免了复杂的信号预处理和特征工程。

改进模糊C均值软划分管理指纹库的WiFi定位

针对WiFi指纹定位中管理指纹库的聚类方法不稳定,且类交界附近定位性能差的问题。研究使用粒子群算法改进模糊C均值聚类,并提出隶属度最小间隔的想法,将不能明确分类的指纹划分至多个子指纹库实现具有交叉的软划分管理。期间针对标准粒子群容易陷入局部最优出现早熟的不足,将满意度与线性递减惯性系数结合并引入突变。通过查看由聚类导致误差增大的发生区域,分析类交界处定位性能差的原因,将指纹库进行不同重合程度的软划分。结果表明,改进后的粒子群算法寻优能力更好,而且与改进粒子群算法融合的模糊C均值聚类结果稳定不受初始值影响,将软划分和多种硬聚类对比,类交界附近定位误差明显减小,说明软划分指纹库更适合指纹定位。