基于图卷积网络的交通预测方法研究

由于交通预测问题的时空复杂性,在智能交通系统中完成预测是一项具有挑战性的任务。虽然交通预测的时间依赖性已经得到很好的研究和讨论,但由于空间依赖的变化较大,特别是在城市复杂交通环境中,对空间依赖的交通预测研究相对较少。该文提出一种新的图卷积预测网络模型,并将其应用于两个具有不同几何约束的城市交通网络。首先,该模型利用多重加权邻接矩阵对速度数据进行图形卷积运算,将速度限制、距离和道路角度等特征组合在一起。其次,对组合特征进行空间隔离降维运算,以学习特征之间的依赖关系,并将输出的大小降低到计算可行水平。然后,将多权图卷积网络的输出应用于具有长短期记忆单元模型,以学习时间依赖。最后,将所提出的预测网络应用于城市核心区和城市混合区两个交通网络,其性能不仅优于其余六种比较模型,而且降低了城市混合区交通网络的预测方差。结果表明,所提出的预测网络能够在不同的空间复杂度下提供稳健的交通预测性能,这在城市交通预测中具有很强的优势。

基于深度学习优化YOLOV3算法的芳纶带检测算法研究

矿用芳纶带传送设备在长期运输过程中会产生划伤、砸伤等损伤。芳纶带表面缺陷需要及时的检测,而传统机器视觉检测精度低、受背景干扰比较大、漏检率和误检率较高,因此,本文提出运用深度学习神经网络检测,查看一次统一的实时对象检测(you only look once unified real-time object detection,YOLO)。在现场的测试中,YOLOV3算法对小目标的识别精度比较低,敏感度不够,本文优化了YOLOV3算法,网络信息的传输过程,由ResNet(残差网络)替换为特征表述更为完整的DenseNet(密集连接网络),同时运用了卷积降维进行优化,减少检测时间。在现场经过比对,优化后的YOLOV3算法相较于通过频域变换和Otsu算法,检测精度提高了26%,对比没有优化的YOLOV3算法,检测精度提高了15%,通过在现场的实验,该方法有效地改善了对于芳纶带小目标的瑕疵检测。

机动车尾气紫外差分检测仪算法革新研究

研发了一种机动车尾气专用紫外差分检测仪。采用紫外差分法获得专用CMOS数字化数据,其S测量波长选择181.975 nm,N测量波长选择183.617 nm,采集数据后,采用卷积降维神经网络进行数据分析。使用精度持久性实验测定检测仪的校准周期,并与两种技术成熟的机动车尾气紫外差分测量仪进行比较,其中比较设备A采用多项式回归刚性数据分析算法,比较设备B采用模糊多列神经网络算法。该设备在不进行全面校准的前提下,使用1000次以内测试精度均高于比较设备A和比较设备B。该设备属于一种具有技术替代性的新型紫外差分机动车尾气测量仪器。