基于车联网数据挖掘的货运车辆驾驶行为聚类研究

车联网环境下的海量信息,就挖掘分析货运车辆的驾驶特征来说有着特殊的意义与价值。通过挖掘车辆速度、加速度等行驶数据有助于研究车辆驾驶人员的驾驶行为,有利于规范驾驶人员的驾驶行为,同时实现对车辆的智能化管理。文章以车联网数据为基础,将河北省范围内运营的部分货运车辆作为研究对象,获取这些车辆驾驶人员的驾驶行为的特征参数,利用基于因子分析的数据挖掘方法对参数进行转化,以此作为指标并采用K-Means聚类方法对驾驶行为进行挖掘分析。     

基于LSTM的智能车变道预测研究

文章基于循环神经网络RNN(Recurrent Neural Network)和长短时记忆网络LSTM(Long-Short Term Memory)的理论研究,提出了一种基于LSTM的智能车变道行为预测模型。首先,搭建LSTM网络模型框架;然后根据人类驾驶场景对真实数据集NGSIM(Next Generation Simulation)进行特征选择与数据提取。最后使用长短时记忆网络(LSTM)模型进行训练,测试车辆变道预测结果,并将结果与利用RNN模型预测的结果进行比较,验证了本文方法的有效性。     

基于LSTM算法与模糊推理的机房火灾报警研究

随着物联网技术的迅猛发展,各传感器及其应用所产生的数据量呈海量增长。用于在网络设备上进行传递、加速、展示、计算、存储数据信息的数据中心机房建设迎来了蓬勃发展。鉴于机房的重要地位,一旦发生火灾将会对整个数据中心造成毁灭性影响。为了识别当前火灾所处状态并发出分级火灾报警信息,文章提出了基于长短时记忆网络（Long Short Term Memory,LSTM）算法与模糊推理的多传感器信息融合机房火灾报警模型。该模型分为数据层、特征层和决策层三层。其中数据层对多传感器的数据进行采集与预处理;特征层使用LSTM算法对传感器数据进行火灾状态识别;决策层将识别结果与数据中心机房保护等级和火灾持续时间进行模糊推理融合得出最终的火灾报警决策。通过燃烧实验进行验证,结果表明：文章所提模型对机房火灾状态识别效果优于反向传播（Back Propagation,BP）算法与循环神经网络（Gate Recurrent Unit,GRU）算法的同时可以发出符合当前火情的分级报警决策。     

基于深度学习的网络传输数据异常识别方法

互联网技术的广泛普及使得网络用户数量急剧增加，网络传输数据体量也随之增大，在多种因素的影响下，内部异常数据占比也越来越高，为网络数据传输、应用带来了极大的困难，为此提出一种基于深度学习的网络传输数据异常识别方法。该方法在LSTM神经网络模型的应用下，大幅度提升了评价指标——F1值，能够更加精确的识别异常数据，为网络传输数据的应用与处理提供更有效的方法支撑。应用高斯混合模型分割网络传输数据集合（训练集合/测试集合），引入深度学习技术——LSTM，构建网络传输数据异常识别模型，根据LSTM神经网络长期与短期记忆单元需求重塑网络传输数据，基于梯度下降法制定构建模型训练程序，确定异常数据判别规则，将测试集合输入至训练好的识别模型中，输出结果即为异常数据识别结果。实验数据显示：应用所提方法后，F1值呈现波动状态，最小值为83.70%，最大值为94.50%，符合数据异常识别需求，证明该方法具备可行性。     

单目视觉的车辆安全速度的研究

为提高车辆行驶的安全性,我们利用道路识别的距离来判断和控制车的安全速度。该方法是基于单目视觉的直线智能车辆道路识别模型,首先将采集的道路图像进行预处理,然后利用Sobel算子进行道路标线识别和提取最后利用透视变换消除透视投影对道路识别的影响。根据处理后的图像计算识别到的距离,最后根据识别距离、安全距离和制动距离计算安全行驶速度。     

基于Lembda网络和LSTM的车辆轨迹预测

驾驶员在驾驶时,会对周围车辆的轨迹进行预测,并且采取一个安全的行为模式,从而减少道路事故的发生.出于这个想法,研究人员基于深度学习的模型,对车辆的轨迹进行预测,从而提升自动驾驶车辆的安全性.通过不断分析获得的驾驶数据,深度学习可以得到其它汽车的行为模式并进行预测.相较于过去的方案,基于深度学习方案在轨迹预测上具有优势,本文基于transformer模型的LSTM(长短期记忆网络)编码隐藏参数,反映周围车辆的驾驶意图,再通过Lembda层获得这些车辆对预测车辆的影响,最后通过LSTM解码获得预测的轨迹.相较于以往的方案,应用Lembda层的方案计算速度更快,同时实验表明相较于以往方案轨迹预测精度有提升.     

基于双层树状支持向量机的观点挖掘与倾向分析

本文通过进行大量预处理工作,将经过词袋模型和Word2Vec两种不同向量化方法处理后的文本数据分别输入到SVM和LSTM模型中,训练出可以识别文本情感倾向的模型.进而对新产生的评论进行分类.根据实际数据量的倾斜状况,基于传统机器学习算法支持向量机(SVM),本文提出双层支持向量机,采用2种不同的方法分别训练模型并预测.最后再使用深度学习算法长短时记忆模型(LSTM)再次训练并预测,并对这3种方法做出比较和总结.结果显示,双层SVM比单层SVM的准确度提高了8个百分点;而LSTM比单层SVM低了2个百分点,比双层SVM低了接近10个百分点.     

基于深度残差LSTM的视频异常行为识别算法

针对电网登杆作业依赖于人员现场监督的问题,基于智能登杆装置及其安全监控系统,深入分析了传统卷积神经网络、深度残差网络和长短期记忆（LSTM）网络的原理,并提出一种基于深度残差LSTM的视频异常行为识别算法。该算法将登杆作业的多个视频序列作为输入数据,经过深度残差网络获得多个视频序列的特征,并进一步将融合后的特征作为LSTM网络输入,从而实现登杆作业异常行为的识别。实验与测试结果表明,所提算法在训练过程中收敛速度快,相比于传统卷积神经网络,该算法具有更高的识别准确率,能够为登杆作业提供辅助服务,大幅提高作业效率和智能化水平。     

基于深度学习的智能车行驶控制系统设计与实现

深度学习在智能车行驶控制中起着关键作用。设计一种基于深度学习算法的智能车行驶控制系统，将车载摄像头和深度学习算法结合，利用U-Net网络模型和YOLO模型实现车道线检测和道路标识识别，同时设计有限状态机，完成智能车行驶控制。实验结果表明，本系统可以在模拟的道路场景中完成车道线和标识识别，实现车辆自主行驶控制，较传统计算机视觉方法在检测速度和检测效果上均得到提升。     

基于深度学习的人体骨架动作识别

基于人体骨架的动作识别具有鲁棒性和视点不变性的优点,为进一步提高骨架动作识别的识别率,打破以往大部分基于深度学习的方法的输入内容为人体关节坐标的局限性,文中提出一种将几何特征与LSTM网络结合的人体骨架动作识别算法。该算法选择基于关节与选定直线之间距离的几何特征作为网络的输入,引入了一种时间选择LSTM网络进行训练。利用时间选择LSTM网络拥有选出最具识别性时间段特征的能力,在SBU Interaction数据集和UT Kinect数据集上分别取得了99.36%和99.20%的识别率。实验结果证明了该方法对人体骨架动作识别的有效性。