多组件化微观交通仿真系统

为了模拟和再现城市路网交通环境,提高交通模型的通用性、可重用性,本文结合城市交通流特性和计算机仿真技术,对车辆、车道、道路、交叉口、信号灯等交通组成元素进行抽象和组件化,建立了具有良好人机交互界面的多组件化微观交通仿真系统．最后结合仿真实例说明多组件化微观交通仿真系统可以用于交通控制策略的测试、评估和对比分析．     

基于受控时间Petri网的车辆检测过程模型

针对汽车检测线运行效率评估及确保给定数量车辆检测时间最短的问题,通过分析检测过程中的驱动事件和状态演变,给出了车辆调度的约束条件,在此基础上把模型中的时间约束与受控Petri网相结合,提出了受控时间Petri网（Controlled Time Petri Nets）模型,采用该模型对检测线调度过程中的节拍控制与车辆调度进行可视化的建模与分析。实践表明对于多批次车辆检测任务采用该过程模型可明显缩短检测时间。     

一种优化YOLO模型的交通警察目标检测方法

针对复杂交通场景中交通警察目标检测与定位准确率低的问题,提出一种优化YOLOv4模型的交通警察目标检测方法.首先,采用4种随机转换方式对自建的交通警察数据集进行扩充,解决了模型过拟合问题并提高模型的泛化能力;其次,将YOLOv4主干网络替换为MobileNet并引入Inception-Resnet-v1结构,有效地减少...     

对员工培训工作的几点思考

员工培训是企业提高员工素质的重要方式,越来越多的企业将培训作为用人、育人、留人的管理手段,然而要做好员工培训工作,就要结合组织发展战略做好培训规划,并以新的思维和科学的方法来实施培训,灵活采取多种培训方式,健全培训考核激励机制,使得培训取得预期效果.     

设计模式思想在构建软件框架过程中应用的探讨

许多文章在谈及设计模式和框架的关系时,多讨论它们之间的区别.而文中在介绍它们的区别之外,更多地是从设计模式提炼出的四个思想这个角度,以框架的含义为基础,来论述它们在软件设计上的联系,并针对这四个思想,逐一探讨了在软件项目开发过程中如何应用来构建软件框架.虽然这四个思想不是构件框架的全部思想,但无疑它们也是构件框架思想中不可或缺的.很好地应用这四个思想,将会提高框架的设计水平,增强框架的重用性.     

单幅图像去雾算法研究综述

随着图像处理技术和计算机视觉技术的蓬勃发展,对特殊天气下的场景检测和图像处理成为该领域的重要研究方向。其中在雾天拍摄的图像容易受雾或霾的影响,导致图片细节模糊、对比度低以至于丢失图像重要信息,为解决此类问题图像去雾算法应运而生。图像去雾算法是以满足特定场景需求、突出图片细节并增强图片质量为目的的一种图像分析与处理方法。为了研究图像去雾算法的发展过程、现状以及未来,根据原理不同将去雾算法分为基于物理模型去雾算法、基于非物理模型去雾算法和基于深度学习去雾算法三大类。对其中经典算法从内容、发展和优缺点等方面进行介绍;并对算法进行实验分析与比较。展望了去雾算法的未来研究的重难点。     

设计模式思想在构建软件框架过程中应用的探讨

许多文章在谈及设计模式和框架的关系时，多讨论它们之间的区别。而文中在介绍它们的区别之外，更多地是从设计模式提炼出的四个思想这个角度，以框架的含义为基础，来论述它们在软件设计上的联系，并针对这四个思想，逐一探讨了在软件项目开发过程中如何应用来构建软件框架。虽然这四个思想不是构件框架的全部思想，但无疑它们也是构件框架思想中不可或缺的。很好地应用这四个思想，将会提高框架的设计水平，增强框架的重用性。     

基于概率分布估计的私家车和出租车行程时间可变性度量

自动车牌识别数据中含有不能反映通常交通状况的异常数据,会对行程时间可变性的度量产生干扰。代表通常交通状况的有效数据由多种群组成,在概率分布上具有多峰、偏斜等特点,使用固定数量分布很难准确拟合有效数据的分布。这也导致具有右向长尾分布特点的异常数据识别困难。基于对数正态分布的K分支混合模型,通过动态确定分支数K实现两类数据的区分并对有效数据分布进行最佳拟合。算法对出租车和私家车样本数据取得了良好的异常数据识别效果,并对两种出行方式的行程时间可变性进行准确度量。实验结果表明,异常数据的存在对行程时间可变性度量的统计结果有明显的干扰,若不滤除会在出行决策上产生误判。     

交通信息服务系统网络搭建的一种设计

首先介绍了交通服务系统的内涵和其网络建设的重要性,之后以交通服务系统应包含的功能应用为基础,对其网络建设给出了一种设计.设计充分考虑到交通服务系统内部管理系统和信息发布系统的关系,在网络层面上保证了二者功能的实现,同时指出了网络设计建设中不可忽视的一些因素,对于交通行业内的信息化建设具有一定的参考意义.     

从车牌识别数据中提取有效旅行时间算法研究

从车牌识别数据中可以得到车辆在特定道路与特定时间段的旅行时间数据样本,但样本中往往混有不反映通常交通状况的噪音数据,去除这些噪音数据后可得到能够反映通常交通状况的有价值的有效数据。为此提出算法采用对数正态分布混合模型对数据样本进行拟合,并利用噪音数据具有右向尾部的分布特点给出确定最优子分布数量的两个判据,使两类数据具有最佳的聚类效果,从而能识别和提取出有效数据。算法对噪音数据特征不明显的少量数据样本也给出了提取方法,将第10百分位和第90百分位之间的数据作为有效数据。该算法针对公交车和非公交车两类车型的车牌识别数据进行实验,对噪音数据的识别取得了良好效果。实验结果表明,有效数据提取前后,非公交车通常状况的旅行时间平均值和标准差以及公交车旅行时间标准差具有明显差异,不滤除噪音数据会对两类车通常交通状况下的运行状态产生误判。