排序方式: 共有4条查询结果,搜索用时 15 毫秒
1
1.
针对传统铁路隧道衬砌掉块检测方法耗时长、成本高的问题,在声信号识别技术的基础上,提出了基于遗传算法优化支持向量机(GA-SVM)模型的铁路隧道衬砌掉块声音检测方法。通过提取铁路隧道内衬砌掉块与其他事件声音的梅尔频率倒谱系数(MFCC)特征系数矩阵,利用遗传算法的寻优能力对支持向量机中影响预测模型精度的两个参数C和σ进行优化,构建铁路隧道衬砌掉块检测模型。实验结果表明,在少量训练样本的基础上,GA-SVM模型对比传统的SVM模型和粒子群算法(PSO)优化的SVM模型,能更够准确地检测出衬砌掉块的大小,检测精度达到了96.67%,验证了声信号识别技术应用于铁路隧道衬砌掉块检测的可行性。 相似文献
2.
3.
现有的城市轨道管理信号令都是以特定的方式或特定的装置来进行传递,而且每一条线路相互之间没有任何的消息传递,都是一个独立的体系,因此不能快速、精确地掌握各个线路的运行状态,尤其是装置的故障。为了解决上述问题,结合现有的数据,进行了城市轨道交通线网信息集中监视的方案的研制。通过对现有的各个系统的故障数据的收集,对其进行了全面的分析与预报,在集中监测中添加了智能的判断功能;只需在现有的网管上增加所需的北向插孔,不会影响原网络的拓扑性,只需增加一个收集与集中监控系统,即可简化实施,降低成本。 相似文献
4.
本文旨在应对高铁周界环境复杂、小目标多等情况,研究周界入侵行为的识别与跟踪问题,并提出一种改进ByteTrack算法。本文融合YOLOv7-X与BYTE数据关联方法对模型进行改进,并且引入卷积块注意力机制以提升周界复杂环境下前景目标的识别效果,利用空间-深度转化模块优化跨步卷积与池化层,改善小目标识别时下采样导致的细粒度信息丢失情况。制作铁路周界入侵数据集进行实验,实验结果表明,改进后的模型平均精度达到95.6%,提升了9.4%,对大中小目标识别的平均精度均有提升,尤其是对小目标识别效果提升显著,提升了22.2%。结果表明改进ByteTrack算法在高铁周界复杂环境下能实现入侵行为的识别与跟踪,为高铁周界防护提供技术支持。 相似文献
1