基于自回归LSTM神经网络的地铁车站环境参数概率预测

在地铁车站这种人员密集的场景中,预测未来一段时间内的环境参数变化对于列车正常运行和乘客安全有重要意义。和传统的点预测方法相比,提出了一种基于自回归循环LSTM网络的概率预测方法。不同于点预测,概率预测给出预测变量在下一时刻的概率密度函数,考虑了地铁车站环境参数预测的不确定性,对于站内提前、可靠对紧急情况做出反应有重要的意义。提出的预测模型,将预测变量的历史数据和车站外部环境参数作为输入变量来预测的环境参数的下一时刻的概率密度函数,进而得到下一时刻该环境参数的变化范围和分位数等信息。为了验证所提方法的准确性,收集了3个地铁站的环境参数数据,并使用概率预测方法进行了预测。结果显示,提出的方法不仅可以预测最可能的环境参数预测结果,而且可以预测极端情况的发生概率,对于预防紧急事故和决策有重要意义。

基于视觉和操作类脑电信号的脑力负荷分类

针对视觉和操作类任务,提出了一种基于脑电独立分量特征的脑力负荷分类方法.利用独立分量分析法从混合脑电信号中分解获得脑电信号的独立分量,再提取脑电独立分量的4个不同频段的能量特征,并对能量特征进行分类.基于脑电信号特征和脑电独立分量特征分别进行了脑力负荷分类实验,得到平均分类准确率分别为60.52%,86.14%,后者比前者提高了42.33%.

基于随机配置网络的机载电子吊舱多工况热模型

机载电子吊舱是搭载多功能机载电子设备的主要平台,能够显著提升战机性能。然而,不断增加的电子设备功率和高度低气压力飞行环境会造成吊舱内恶劣的热环境,严重影响电子设备的可靠性。因此,十分有必要建立准确的电子吊舱热模型,用于预测不同飞行工况下的电子设备热响应。综合热网络分析思想和随机网络算法思想,提出一种基于随机配置网络的热模型建立方法,并通过采用冲压空气冷却系统的电子吊舱实验数据加以验证。为了建立准确的舱内温度响应模型,通过传热机制将高温贮存、高温工作、低温贮存、低温故障和低温工作工况下的实验数据分为3组并分别用于建立设备贮存热模型、设备工作热模型和综合热模型,利用热网络分析获取随机配置网络的有效输入,采用四折交叉验证和灰度图分析综合确定了3个热模型的超参数。建模结果表明:3个热模型的范围序列可统一为[1~40],最大隐含层节点数可分别设为6、9、11,设备温度拟合效果较好,仅在边界条件约束下进行多工况全过程的电子设备温度预测,预测误差在3.512℃内。总体看来,该热建模方法从数据挖掘的角度较为简单、准确、快速地描述了电子设备热关系,可用于开展预期飞行环境下的机载电子吊舱温度预测,用于评估热管理系统的性能。

电信类实验室本科生分组分层分角色培养模式探索

介绍了北方工业大学电子信息工程学院实验中心的本科课外培养及实践活动的情况.首先,建立分组、分层、分角色的培养模式实现实验室组织结构、学生定位和实践目标.其次,通过一系列具体措施,加强过程管理和实施有效奖惩.上述措施强化了学生的专业基本功训练,以及学生对专业知识的热爱,调动了学生参与各项实践和项目活动的积极性,并在竞赛和实践活动中取得了一系列成果.

基于C/S架构的客流检测系统设计与实现

客流检测系统基于Windows平台,以C/S架构为基础,通过对采集视频进行一系列的处理来实现行人的检测跟踪,以及相关客流数据的实时计算与显示.对视频解码模块、检测跟踪处理模块和进程间交互模块的设计作了详细介绍,测试结果表明,系统各模块均达到使用要求,且具有较强的稳定性和可扩展性.

基于智能球机的视频车辆检测系统的设计

以现有的视频检测算法为基础,根据智慧交通系统的需求设计了一套车辆检测系统.该系统包括客户端模块、命名管道通信模块、特征提取模块、轨迹数据处理模块和数据库存储模块,可以实现检测跟踪道路车辆、计算目标车辆数据、汇总道路数据和查询历史信息等功能.现场测试与运行结果表明,视频车辆检测系统检测精度高,整体性能强,系统运行稳定,能够满足路政需求.

基于FDM能量熵的特征提取方法及其在光纤振动识别中的应用

针对传统分解信号方法需要人工设定基函数,具有测不准性等问题,采用自驱动的傅里叶分解方法(FDM)处理信号,提出一种基于FDM能量熵的特征提取与识别方法。首先对振动信号进行FDM分解,得到若干个傅里叶固有带函数;然后利用自相关性原理重构信号,并提取信号FDM能量熵特征;最后将融合的特征向量送入支持向量机进行训练,并对有害振动进行识别。实验结果表明,所提方法能正确识别不同振动信号的类型,具有较高的准确率,应用于光纤预警系统中有望提高对有害振动的识别性能,促进管道保护技术的发展。

基于局部均值分解的样本熵特征提取研究及应用

分布式光纤传感技术已被广泛应用于管道运输的安全监测中,对不同光纤振动信号的特征进行准确提取和分类识别是近年来的研究热点。针对传统时频分析方法研究光纤振动信号时需要人工设定基函数以及无法消除高频噪声干扰的缺陷,采用具有自适应特性的局部均值分解(LMD)方法对信号进行处理,并提出了一种基于LMD的特征提取与识别方法。首先,对原始信号进行LMD,得到若干个乘积函数分量;然后,通过自相关原理重构信号,并提取重构信号的样本熵特征和能量特征;最后,将上述特征进行融合并送入支持向量机进行训练识别。实验结果表明,该方法能有效识别不同振动类型,且识别准确率较高。

基于AdaBoost集成学习的光纤振动信号识别分类方法

对光纤振动信号的有效识别是保证油气管道光纤预警系统运行的重要基础。针对传统光纤振动信号检测中单一分类方法的不足,提出一种基于AdaBoost集成学习的光纤振动信号识别分类算法。首先通过分析研究5类光纤振动信号的特征,选取样本熵、能量分布以及频带宽度作为三维特征向量,并将其分别送入决策树、支持向量机(SVM)以及以决策树作为基分类器的AdaBoost分类算法进行训练识别;其次通过交叉验证的方式对得到的模型进行参数优化和模型评价;最后对得到的模型进行对比测试实验。实验结果表明:以决策树作为基分类器的AdaBoost集成学习算法可以对不同振动类型进行有效识别,在光纤预警中对不同来源振动信号的识别具有一定意义。

基于梯度提升决策树算法的光纤入侵信号分类

光纤预警系统已被广泛应用于油气管道的入侵检测预警中,目前的技术难点仍是如何提高光纤入侵信号多分类识别的准确率。采用梯度提升决策树(GBDT)算法训练光纤入侵信号多分类模型,并提出了一种基于傅里叶分解方法(FDM)及GBDT算法的特征提取与识别算法。该算法采用FDM对光纤入侵信号进行预处理,提取信号的近似熵、能量和谱熵特征。采用GBDT算法训练模型并对光纤入侵信号进行识别分类。为了检验该算法的性能,分别用支持向量机和AdaBoost算法训练模型并进行对比实验。结果表明,该算法能有效识别敲击、小跑、过车和镐刨四类光纤入侵信号,平均准确率为92.5%。

基于傅里叶分解与排列熵降噪方法的光纤入侵信号分类

为了准确识别分布式光纤预警系统中的入侵信号类型,提出了一种基于傅里叶分解方法(FDM)与排列熵降噪方法的光纤入侵信号特征提取与识别算法。首先,用FDM将光纤入侵信号分解为若干个固有频带函数(FIBF)。然后,计算各FIBF分量的排列熵,利用排列熵对噪声的敏感特性筛选出符合条件的FIBF并重构信号。最后,计算重构信号的近似熵与能量并构造二维特征向量,将其送入支持向量机进行训练后识别光纤入侵信号。实验结果表明,该算法可以有效识别敲击、小跑、过车三类光纤入侵信号,平均识别准确率为93.33%。

基于改进Transformer的小目标车辆精确检测算法

智能交通系统的建立离不开车辆检测技术。目前的主流方案是使用卷积神经网络(CNN)架构进行车辆检测,然而在复杂交通场景中,远距离小目标像素点少,CNN的下采样机制导致提取的特征缺乏充足的上下文信息,因而小目标检测面临极大挑战。针对这个问题,提出了一种基于视觉Transformer的小目标车辆检测算法。所提算法通过改进Transformer的线性嵌入模块,补充小目标的线性嵌入信息;对图像进行层级构建,每层仅对局部进行关系建模,同时扩大感受野,代替CNN提取出更强有力的小目标车辆特征,实现端到端的精确检测。在UADETRAC车辆数据集上进行验证,实验结果表明,改进后的车辆检测算法提高了对远距离及严重遮挡情况下小目标的检测性能,检测精度达到99.0%。

基于随机配置网络的光纤入侵信号识别算法

随机配置网络(SCN)通过引入不等式约束来限制输入权重和偏置的赋值,随着节点数量增加,网络能够逼近任意的数学函数和数据模型。在构建SCN的过程中,由于网络本身性质以及样本数据的不适定性和病态条件等问题会引起网络的过拟合,故提出一种基于Dropout技术的改进型SCN模型(Dropout-SCN)来自适应地约束输出权重分布和大小,以此来提高网络模型的识别精度。光纤数据验证的结果表明:与传统的SCN和L2范数正则化的SCN模型相比,Dropout-SCN模型具有更低的测试误差,有效地减缓了网络过拟合问题,提高了对光纤预警系统(OFPS)中光纤入侵信号的识别准确率。

光纤入侵信号的特征提取与识别算法

为了对分布式光纤上的入侵信号类型进行准确识别,提出了一种基于集合经验模态分解(EEMD)结合随机向量函数链接(RVFL)神经网络的光纤入侵信号的特征提取与识别算法。算法步骤为:对采集到的光纤入侵信号作预处理操作,包括最小-最大规范化处理和利用db3小波去除信号的低频噪声;采用EEMD方法对入侵信号进行分解,得到5组本征模态函数(IMF);计算各IMF分量的能量占比,并依据方差分析法筛选出3组特征向量;将特征向量送入RVFL神经网络进行训练并对入侵信号进行识别。实验结果显示:该方法能正确识别不同入侵信号的类型,具有较高的准确率。

Impact of gravitation on gaseous pollutant source identification

It is necessary to identify a gaseous pollutant source rapidly so that prompt actions can be taken, but this is one of the difficulties in the inverse problem areas. In this paper, an approach to identifying a sudden continuous emission pollutant source based on single sensor information is developed to locate a source in an enclosed space with a steady velocity field. Because the gravity has a very important influence on the gaseous pollutant transport and the source identification, its influence is analyzed theoretically and a conclusion is drawn that the velocity of fluid is a key factor to effectively help weaken the gravitational influence. Further studies for a given 2-D case by using the computational fluid dynamics （CFD） method show that when the velocity of inlet is less than one certain value, the influence of gravity on the pollutant transport is very significant, which will change the velocity field obviously. In order to quantitatively judge the practical applicability of identification approach, a synergy degree of the velocity fields before and after a source appearing is proposed as a condition for considering the influence of gravity. An experimental device simulating pollutant transmission was set up and some experiments were conducted to verify the practical application of the above studies in the actual gravitational environment. The results show that the proposed approach can successfully locate the sudden constant source when the experimental situations meet the identified conditions.