基于BP神经网络和模糊推理系统的短时交通流预测

本文研究短时交通流预测。短时交通流预测是智能交通系统研究和实践的必要基础。本文提出和建立了一个短时交通流量预测模型,该模型利用一个基于规则的模糊系统,非线性地组合BP 神经网络模型和自适应卡尔曼滤波模型的交通流量预测结果,使得短时交通流量的预测结果更加准确可靠。该模型将传统方法和人工智能方法有机结合,一方面,利用人工神经网络强大的动态非线性映射能力,从而提高预测精度;另一方面,充分发挥卡尔曼滤波的静态线性稳定性,解决了单独使用BP神经网络进行预测时识别率不理想和可信度不高的问题。实验结果表明,本文提出的短时交通流预测模型具有较高的准确度和可靠度。     

一种基于信噪比确定主元个数的方法

多段主元分析(MPCA)是针对间歇进行故障诊断一种行之有效的方法.在MPCA中主元个数的确定是模型的关键,关系到主元模型的可靠性、准确性、完备性.传统的累积方差贡献率(CPV)方法确定主元个数主观性较大并且没有考虑故障因素.为了提高检测性能,有效的提取主元,文中提出一种信噪比(SNR)与MPCA相结合选取间歇过程主元个数的方法,SNR表明的是故障诊断的灵敏度和主元个数的影响关系,在确保主元信息充分描述数据的基础上,该方法考虑了故障的信息对主元个数的影响来选取主元.将此方法应用于青霉素间歇发酵过程故障诊断中,仿真结果表明T2统计量和SPE统计量的响应曲线对故障更加敏感,有效地提高了故障诊断的准确率.     

基于机器视觉的微片状物厚度检测

针对片状颗粒厚度检测的实际需求,结合机器视觉、图像处理和嵌入式技术,设计与实现了一套基于高性能ARM11的微片状颗粒厚度检测系统。该系统以QT和S3C6410为软硬件平台,提出了利用轮廓提取和最小矩形边界框相结合的方法计算片状颗粒厚度。结果表明,该检测系统具有处理速度快,测量精度高和成本低廉等优点,满足了对颗粒厚度测量的需求。     

基于可靠性理论的状态维修决策模型研究

维修时机的选择是状态维修的主要任务之一.为准确预测设备最佳维修时机,根据直到当前时刻的设备监测信息,利用可靠性理论与随机滤波理论,建立了设备可靠度预测模型及以单位时间内总的停机时间期望值和单位时间平均费用为组合优化目标的状态维修决策模型.模型克服了以单位时间内最小维修费用等为优化目标的设备状态维修决策模型的局限性,提高...     

混联混合动力车辆整车控制器设计

设计了基于MC9S12XDP512微控制器的混联式混合动力汽车整车控制器(HCU)的硬软件系统,设计了相应的外围模块电路,并进行了整车控制策略软件的设计以及构建了基于VisualBasic的监控软件程序。实验表明:开发的HCU硬软件工作可靠,能够满足整车控制的要求。     

基于MSP430单片机的二氧化碳测量系统

介绍了以MSP430F169单片机为核心的的二氧化碳测量系统.实现二氧化碳浓度的显示,带有三线制4～20的电流输出,能用标准的MODBUS协议与上位机通讯,同时还有良好的人机交互界面.     

基于高斯-马尔可夫模型的海洋环境辨识方法

在解决海洋中的信号处理问题时,海洋环境的复杂性和多变性严重影响了信号处理系统的性能.为了在信号处理之前辨识出海洋环境参数,并将其融入信号处理框架中,则有希望提高信号处理器的性能.将海洋环境建模为高斯-马尔可夫模型,利用声速梯度数据和由Kraken模型得到的声压场数据,结合扩展卡尔曼滤波器算法,实现了对海洋环境的辨识.利用模基处理方法,简正波传播模型,可以辨识模函数和水平波数,并能估计出基阵所在位置的声压场.仿真数据和模型数据吻合较好,说明算法能够较好地估计海洋环境参数,为滤波、检测、定位、跟踪等应用提供了基础.     

一种用于取样示波器的高速数字信号传输速率的测量方法

取样示波器利用顺序等效采样技术可以实现对宽带、高速信号进行采样和波形恢复,从而对信号质量进行分析。因此取样示波器在5G高速通信、雷达等信号测量领域得到广泛应用。但是取样示波器采用的顺序等效采样方法是对被测信号进行多周期间隔、不连续采样,采样间隔周期不确定,导致不能直接从恢复的波形中分析出被测信号的传输速率。为确定传输速率,提出一种基于快速傅里叶变换算法的速率计算方法。通过实验验证,此方法能够准确计算出高速数字信号的传输速率,相对误差均在1%以内,并且在采样点数及眼图叠加次数较少的情况下仍然适用。     

基于GAN的导频配置和信道估计联合优化算法

随着通信设备的爆炸式增长,信道环境变得愈加复杂,传统信道估计方法需要进一步增加导频开销以维持现有信道估计精度。然而,这会导致系统吞吐量的下降。首先,提出了一种基于GAN的信道估计方法以在OFDM通信系统中解决这一问题。然后,采用GAN模型去学习从低维的潜向量到真实信道样本的映射关系。最后,在此基础上进行联合的导频配置优化。     

基于知识增强的文本隐喻识别图编码方法

隐喻识别是自然语言处理中语义理解的重要任务之一,目标为识别某一概念在使用时是否借用了其他概念的属性和特点.由于单纯的神经网络方法受到数据集规模和标注稀疏性问题的制约,近年来,隐喻识别研究者开始探索如何利用其他任务中的知识和粗粒度句法知识结合神经网络模型,获得更有效的特征向量进行文本序列编码和建模.然而,现有方法忽略了词义项知识和细粒度句法知识,造成了外部知识利用率低的问题,难以建模复杂语境.针对上述问题,提出一种基于知识增强的图编码方法（knowledge-enhanced graph encoding method,KEG）来进行文本中的隐喻识别.该方法分为3个部分：在文本编码层,利用词义项知识训练语义向量,与预训练模型产生的上下文向量结合,增强语义表示;在图网络层,利用细粒度句法知识构建信息图,进而计算细粒度上下文,结合图循环神经网络进行迭代式状态传递,获得表示词的节点向量和表示句子的全局向量,实现对复杂语境的高效建模;在解码层,按照序列标注架构,采用条件随机场对序列标签进行解码.实验结果表明,该方法的性能在4个国际公开数据集上均获得有效提升.