基于RBF神经网络的交通生成预测模型

针对交通生成预测中传统集计预测模型缺少行为基础这一重要数据源,以及普通离散模型建立对数学推导依赖性高和预测中存在多个预测值,导致预测结果精度不理想的问题,建立了基于RBF神经网络的交通生成预测模型,该模型将以行为基础为前提的离散数据作为数据源,模型的建立不需要进行数学推导,利用输入和输出数据自动建立,再结合RBF神经网络收敛速度快和具有唯一最佳逼近点的特点,对交通生成进行预测。通过实例进行仿真和分析,结果表明,该模型最终获得的交通生成预测结果与实际值误差在允许范围内,RBF神经网络交通生成预测效果好,能在实际中应用。     

基于Cauchy矩阵的线性变换的研究

P-置换是实现分组密码扩散原则的关键组件.一般来说,分支数越大,扩散效果越明显.人们利用MDS矩阵设计最优线性变换作为分组密码组件的扩散层.在达到最优线性变换的同时,针对扩散矩阵还应满足矩阵中元素尽量少的要求,对Cauchy型MDS矩阵分别与Hadmard矩阵和循环移位矩阵的相互结合方式构造最优线性层的方法进行了研究.对Cauchy-Hadmard矩阵(同时是Cauchy矩阵和Hadmard矩阵)构造线性变换的一种方法进行了分析,给出了算法的C语言的关键程序,根据算法给出了一个最优线性变换的示例;对循环移位矩阵构造Cauchy矩阵进行了尝试和证明.结果显示Cauchy-Hadmard矩阵满足矩阵元素最少和运算复杂度低的要求,利用循环移位矩阵无法构造出Cauchy矩阵.这些结论为设计分组密码组件的扩散层提供了重要的方法参考.     

物联网环境下城市交通区域联动的云控制策略

针对城市道路交通中的区域联动控制问题, 利用交通物联网所提供的实时交通信息以及不同交通控制节点之间的关联关系, 构建符合区域协调控制要求的交通云计算平台, 使得道路交通各交叉口之间的控制策略由云计算平台统一支配, 同时强化交通物联网技术在交通信息获取时的相互协同性, 结合各节点控制任务抵达云计算平台的突变随机性, 并考虑道路交通中控制节点执行状态的动态变化特征, 从而建立城市道路交通区域联动控制的云策略模型, 从执行性能和计算功率两方面对云计算平台在多节点联动控制时的运行情况进行分析。实验结果表明, 提出的区域交通联动控制云策略在大幅度降低云计算平台运行能耗的前提下, 保证了道路的通行效率。     

基于多智能计算算法融合的出行线路规划模型

为了使公众在出行前能事先根据出行道路的交通信息对出行线路进行整体规划设计,以便最大限度地降低能耗和拥堵时间,在研究人工神经网络算法的基础上,对用于解决旅行商问题(TSP)的进化算法进行了改进,引入了多种优秀的智能计算策略,以提高算法效率;并建立了新型群集智能分析模型,用以分析公众出行的线路规划问题。实验结果表明,改进的混合智能计算方法简易而有效,有助于克服算法选择的盲目性,进一步拓展了计算智能的研究方向。规划的出行线路能够满足城市居民出行信息服务的综合需要。     

车联网产业链发展战略分析

通过分析车联网产业涉及的应用角色以及当前车联网应用的产业格局,总结车联网产业链的发展模式以及商业结构。综合考虑影响未来车联网产业发展的多种因素,探索以政府为主导,产学研联盟式多方共赢的发展战略,从而使车联网产业和商业发挥网络聚集效应,扩大车联网的行业应用范围,为推动相关企业和管理部门的信息化和工业化融合发挥作用。     

基于Matlab仿真的区域传感器定位最佳节点布局研究

基于无源时差定位的方式在民用和警用上具有广泛的应用,其被动的工作方式以及隐蔽的性能在区域环境预警和监控中越来越发挥重要的作用。本文首先对振动传感器定位的原理和方法进行了阐述,对时差无源定位的算法进行了研究,明确了节点中主站与副站基线的距离以及传感器的阵形等因素决定了定位精度的高低,从而提出了多节点协同定位中最佳站址布局的方式。     

嵌入Dense Net的YOLOv4多尺度隧道火灾检测算法

为解决现有火灾检测算法在公路隧道的应用较少以及算法检测的准确性和实时性不能满足要求，提出一种改进的YOLOv4隧道火灾检测算法。由于公开的隧道火焰数据集较少，通过模拟火灾形成初期的火焰和网上搜集构建了一个包含3000张隧道火焰图片的数据集，在数据集中添加了500张隧道车灯和500张隧道照明灯用于模型训练，提高泛化性。然后在YOLOv4的特征提取层的CSP结构中嵌入DenseNet,融合多尺度的浅层特征信息，增强特征复用，降低梯度消失的问题和抑制过拟合。再在特征网络检测层中增加了104×104特征检测尺寸，增强隧道火灾形成初期小目标火焰的检测精度。实验结果表明：上述算法检测精度为90.4%,在原YOLOv4网络上提高了5.2%,其检测速度可达0.16s,满足隧道实时检测的要求，并且对小尺寸火焰也有很好的检测效果，对实现隧道火灾初期预警具有重要意义。