基于个体信息需求的草原公路防疲劳预警策略

为缓解驾驶人在草原公路行驶产生的驾驶疲劳,设计一种基于个体信息需求的防疲劳预警策略,采用问卷调查将驾驶人划分成视觉型、听觉型和触觉型3类,综合考虑不同类型驾驶人的个性化信息需求,设计路端预警、车端预警和车端路端协同预警3种草原公路驾驶疲劳预警策略,选取21名驾驶人开展驾驶模拟实验,采集驾驶人KSS量表数据、对预警策略的主观评价数据和驾驶行为数据,利用描述性分析、统计分析和基于熵权的TOPSIS综合分析等方法,进行3种驾驶疲劳预警策略的效果测试。结果表明:驾驶人对3种预警策略的接受程度均较高;3种驾驶疲劳预警策略均可以不同程度地缓解驾驶疲劳状态,协同预警策略优于其他两种策略,且疲劳程度越深,缓解效果越显著。基于驾驶人差异化信息需求的车端路端协同防疲劳预警策略有助于提升草原公路驾驶疲劳预防效果。     

基于双层混合集成的自动驾驶汽车故障检测

针对单一故障检测算法难以学习到数据样本全部特征的问题,提出基于双层混合集成的无监督自动驾驶汽车故障检测方法。使用非全连接的自动编码器作为基学习器构建第1层同质集成框架——集成自动编码器,分析和选择包含集成自动编码器、一类支持向量机、孤立森林和局部离群因子的基学习器构建第2层异质多模型集成框架,学习自动驾驶汽车正常传感器数据特征;提出基于自动编码器的投票集成方法,实现基学习器特征的降维和编码融合;通过sigmoid函数映射计算故障概率并对数据是否故障进行判断。试验结果表明,提出的双层混合集成故障检测方法性能优于基学习器算法,F1指标提高了9%~40%,G指标提高了2%~28%,该故障检测方法可有效实现自动驾驶汽车故障检测。     

基于深度学习的自动驾驶车辆运动规划研究

针对交通状况的复杂性和边缘情况的不确定性,很难设计一个通用的自动驾驶车辆运动规划系统,采用深度学习的方法,提出了一个时空LSTM(长短期记忆网络)的运动规划模型,它能够根据提取的时空信息产生实时处理。该模型有三个主要结构,依次完成,基于Conv-LSTM(卷积长短期记忆网络)提取连续图像数据的隐藏特征。然后,基于3D-CNN(3D卷积神经网络)提取多帧特征信息中的时空信息以及FCNN(全连接神经网络)构建车辆自动转向角的控制模型。最后,对提出的LSTM时空网络模型方法和经典方法在数据集上进行性能评估。实验结果表明,该方法能够为自动驾驶车辆生成实时鲁棒准确的视觉运动规划,可以达到99%的准确率。     

基于深度强化学习的自动驾驶车控制算法研究

为了提高基于强化学习的自动驾驶车控制算法的学习效率,提出了一种结合专家经验的自动驾驶策略学习算法(deep deterministic policy gridient with expert,DDPGwE)。DDPGwE采用基于DDPG的强化学习框架进行模型在线训练,使用真实的人类驾驶数据对actor网络进行预训练,同时在actor网络中加入LSTM预测机制,提升自动驾驶车对将要发生状况的预判。在仿真平台TORCS中的实验结果表明,所提算法相较于原始DDPG算法,训练时间大大缩短,收敛速度加快,提高了模型的稳定性和泛化能力。     

基于离散优化算法和机器学习的传感云入侵检测

针对传感云的大规模高维度数据和多变性入侵行为,在雾计算模式下提出了一种基于并行离散优化特征提取和机器学习方法特性的传感云入侵检测算法。首先,为有效降低数据维度和提高特征提取过程的鲁棒性,在定义最优特征评价指标的基础上构建并行离散优化特征提取框架,理论分析表明:该指标能最大限度去除特征冗余度和保持原始数据多样性。其次,设计了具有普遍意义的离散优化算法(DOA),结合工程优化问题特点给出DOA实现流程,并证明了DOA具有全局收敛性,在此基础上使用DOA对特征提取框架进行求解,通过并行特征子集筛选过程实现了最佳特征组合提取。最后,利用最佳特征子集和机器学习中的分布模糊聚类技术对传感云入侵行为进行检测,通过引入智能迭代进化思想和自适应聚类策略,在有效避免模糊聚类算法易陷入局部最优缺陷的同时实现了聚类个数自动划分。实验结果表明:该入侵检测算法能有效给出入侵检测结果,而且相比于其他检测算法,该算法异常检测成功率和漏检率明显改善,且具有较强抗噪能力。     

路段环境自动驾驶汽车通行权决策方法

为了解决路段自动驾驶汽车的通行权决策问题,提高交通流的运行效率和稳定性,基于可接受间隙模型和谈判理论构建路段自动驾驶汽车通行权决策模型. 综合考虑多种因素,基于可接受间隙模型对行人风险进行建模,将行人风险划分为低风险、中风险和高风险. 综合考虑风险、性格（激进和保守）和等待时间等对行人行为的影响,分析不同因素组合下行人和自动驾驶汽车可能采取的行为策略,基于该行为策略,利用谈判理论对自动驾驶汽车的通行权决策过程进行建模. 利用Python联合SUMO开源交通仿真软件对模型进行验证,仿真持续10 h. 3个模型的（保守模型、Gupta模型和本文模型）仿真结果表明,当行人产生频率为15 s时,自动驾驶汽车的平均行驶时间分别为661.5、399.5和327.6 s,平均延误时间分别为618 s、336 s和260.7 s,总流量分别为6 699辆、10 583辆和11 568辆. 当行人产生频率为30 s时,自动驾驶汽车的平均行驶时间分别为643.5、311.7和81.9 s,平均延误时间分别为599.9、244.4和6.5 s,总流量分别为6 879辆、11 741辆和11 971辆. 通行权决策方法的加入有助于降低自动驾驶汽车的行驶时间和延误,提升流量.     

自动驾驶汽车路径规划与轨迹跟踪研究综述

自动驾驶汽车路径规划与轨迹跟踪技术的发展对提升汽车技术与现代电子信息的深度融合具有十分重要的意义。文章围绕自动驾驶汽车路径规划与轨迹跟踪技术进行了阐述，介绍了基于环境建模和路径搜索策略的路径规划技术，分析了基于传统控制和先进控制方法的轨迹跟踪控制现状，并对未来自动驾驶汽车的发展方向进行了展望。     

基于风险预测的自动驾驶车辆行为决策模型

为了解决人工与自动驾驶汽车混行环境下无信号交叉口的通行权分配问题,提出基于驾驶员行为预测的自动驾驶汽车行为决策模型.利用模糊逻辑方法构建驾驶员的风险感知模型.基于风险均衡理论,结合可接受风险区间,预测人工驾驶汽车的行为选择策略.构建自动驾驶汽车的综合效用函数,利用博弈论求解最优行为策略组合,实现无信号交叉口车辆协同控制.仿真结果表明,面对异质驾驶员,自动驾驶汽车能够有效避免碰撞事故发生并提高自动驾驶汽车通过无信号交叉口的效率,保证驾驶员风险感知值处于可接受范围.在15组实验中,有93.3%的实验组能够保证车辆通过冲突点的时间差大于可接受的安全通行间隔时间,不同情景下自动驾驶汽车的通行时间是自由流状态的1.07～2.43倍.与无预测自私博弈模型的对比实验表明,所提模型能够显著提升自动驾驶汽车的通行效率.     

基于车载激光点云的道路交叉口检测与识别

道路交叉口是道路交通网的重要组成部分,其位置和类型是高精地图、自动驾驶等应用服务的基础数据.目前研究多关注车载激光点云的道路边界提取,较少关注道路交叉口类型识别.为此,本文提出一种基于动态图神经网络的道路交叉口分类方法.首先分析地面超体素的几何和空间分布差异进行提取道路边界点;然后计算道路边界点曲率,利用滑动窗口中曲率...     

使用SVMs进行汉语浅层分析

提出了基于support vector machines（SVMs）的汉语浅层分析方法,并且为描述整个层次短语结构定义了10种汉语组块类型. 与其他机器学习方法相比,该方法能自动选择对浅层分析有用特征,并能选择出有效的特征组合,较以前的研究可反映识别方向、特征模板、核函数、多分类方法及其组合对基于SVMs的汉语浅层分析性能的影响. 在开放语料Chinese TreeBank 上, Precision、 Recall和 FB1平均达到了95.36％、97.30％和96.32％.     

应用学习型组织理论创建学习型高校培养学习型教师

文章根据我国高校教育的现状,探讨应用学习型组织理论创建学习型高校培养学习型教师的具体方法和途径.     

一种新的基于半监督的多标记学习算法

多标记学习中通常存在大量未标记示例,本研究结合协同训练(Co-training)方法充分利用数据集中的未标记示例,在数据集上选取局部k NN(k nearest neighbor)和全局k NN进行训练得到两个分类器,分类器分别标记未标记示例并相互更新训练集。协同训练过程不断迭代进行,直至训练完成。试验结果表明,该方法性能均优于其他多标记学习算法。     

论高科技企业学习型管理团队构建与学习

文章从知识、学习和管理三者的关系出发,结合高科技企业特点和发展前景,提出在高科技企业中建构学习型管理团队模式,加强管理团队学习,以促进我国高科技企业良性、持续地发展.     

一种极速学习机人体行为识别模型迁移方法

针对移动用户行为识别的问题,提出一种带权值样本筛选的迁移学习方法。该方法通过将训练集分割重构并赋样本权值,依据训练样本在对应极速学习机分类器上的判别结果对其权值进行修改,经过多次迭代后筛选出与迁移样本最相似的训练集,从而构建迁移行为识别模型。测试结果表明,迁移学习后的行为识别模型能有效提高分类正确率。     

基于核极限学习机自编码器的标记分布学习

标记分布学习中示例由多个不同重要程度的标记共同标注,而在已有的标记分布学习算法中,大部分均在完备数据集下进行,未考虑数据噪声干扰。针对这一问题,结合自编码器的降噪特性和核极限学习机的稳定性,提出一种基于核极限学习机自编码器的标记分布学习算法。使用核极限学习机自编码器对原始特征空间映射,得到更具鲁棒性的特征表达,构造适应标记分布学习的极限学习机模型作为分类器以提升分类效率及性能。试验结果表明,本文算法较其他对比算法具有一定优势,使用假设检验方法进一步说明所提算法的有效性。     

贝叶斯网络生成学习和判别学习对比研究

优化目标决定了贝叶斯网络分类器的分类性能.文章围绕生成函数和判别函数等两类典型的优化目标,对比分析了贝叶斯网络在不同学习目标下的学习方法,应用UCI数据集,通过实验对比了训练样本数量的变化对贝叶斯网络分类器性能的影响,分析了贝叶斯网络分类器的目标函数与分类性能的关系.数据实验结果表明：冗余数据对判别贝叶斯网络过拟合的影响大于生成贝叶斯网络,“最优”贝叶斯网络分类器并不一定具有最大的联合似然值或者条件似然值;为了提高学习效率和分类性能,可在训练判别贝叶斯网络的过程中采用主动样本选择策略,并且以生成函数和判别函数的权衡值作为贝叶斯网络分类器的优化目标.     

初态学习下非仿射非线性系统的迭代学习控制

针对非仿射非线性系统,提出初态学习律,并给出关于初态学习的收敛性充分条件.初态学习使得系统在每次迭代开始时,不严格要求其初态与期望初态重合或者固定于某一具体位置上,而是允许存在一定的定位偏差.利用压缩映射分析方法,推导出在初态学习下的开环学习律、闭环学习律、开闭环学习律的收敛性充分条件,证明了迭代学习控制系统关于初始定位误差的鲁棒收敛性.依据此收敛性条件,可确定输入学习律及初态学习律的学习增益.理论分析与数值仿真表明初态学习下迭代学习算法的有效性.     

基于学习自动机阵列的模糊规则学习方法

研究在线学习模糊控制规则的方法．建立基于多维学习自动机阵列的模糊控制器模型,提出在学习自动机阵列中按照贡献分配奖励的学习算法．在没有任何预置知识和规则的前提下,该控制器能通过与被控对象的交互动作建立自身的规则库．对机械手自学习视觉伺服控制的仿真结果验证了该方法的有效性．     

基于网络与研究性学习整合的教学模式研究——以大学英语为例

研究性学习是学生主动探究的学习活动。在建构主义理论框架下,通过对网络环境下大学英语研究性学习内涵及其特点的研究,构建了基于网络与研究性学习整合的大学英语教学模式,以探索该模式在教学过程中的实现方法。课堂实施效果表明：网络环境下的研究性学习模式,对于发挥学生学习的主动性,改变学生的学习方式,提升学生英语学习兴趣,促进语言技能的综合发展,具有重要作用。     

面向文本的本体学习方法

借助文本预处理工具Gate和通用本体Word Net,采用统计、频繁项挖掘、模式匹配、启发式学习和主动学习等技术,学习本体基元——概念(含实例)、概念间的分类关系、概念间的语义关系和概念属性,其中概念属性学习为本文首次提出。实验结果表明,本文方法改善了概念语义排歧效果,丰富了短语概念学习与语义关系学习,提高了本体自动构建的准确度,降低了本体学习的代价。