时滞影响下自主车辆队列的稳定性分析

自主车辆队列可提升交通容量与行驶安全性、降低燃油消耗与污染排放。但车辆通信过程中存在时滞,会严重影响系统控制性能与稳定性。为此,针对含时滞的自主车辆队列,建立基于分布式控制器的自主车辆队列闭环控制系统,并提出一种稳定性分析方法。首先,将整个车辆队列闭环控制系统解耦为若干子系统,并在此基础上对子系统进行稳定性分析,提出了基于直接法的精确时滞稳定边界求解方法,得到了系统稳定的充要条件。最后,通过数值仿真验证了所提稳定性分析方法的有效性。     

结合改进残差网络和Bi-LSTM的短期电力负荷预测

为充分挖掘电力负荷历史数据的潜在特征,提高短期负荷预测模型的预测精度,提出了一种由改进残差网络（ResNetPlus）、注意力机制（Attention mechanism,AM）和双向长短期记忆网络（Bi-directional long short-term memory,Bi-LSTM）结合而成的残差AM-Bi-LSTM预测模型。该模型将历史负荷、温度和所预测日期的特征作为输入,在Bi-LSTM模型基础上,引入多层改进残差网络提取输入数据的隐藏特征,有效克服了网络隐藏层数加深导致的网络退化问题,使模型的反向传播能力大幅提升;加入注意力机制,分析网络中输入信息与当前负荷的相关性并突出重要信息的影响,从而提高模型的速度与准确率;使用Snapshot策略集成收敛于不同局部极小值的多个模型,以提升模型的准确率和鲁棒性。最后,使用美国ISO-NE数据集进行模拟预测,测试结果表明:所提模型的平均预测精度达到98.27%;在连续的12个月中采用该模型的平均预测精度相比于LSTM模型提高了2.87%;在不同季节下采用该模型的平均预测精度相比于AM-Bi-LSTM和ResNetPlus模型分别提高了1.05%和1.16%。说明所提模型相较于对比模型具有较高的准确率、鲁棒性以及泛化能力。     

基于深度学习的图像显著性区域加密

互联网的广泛应用使得图像的传输和存储越来越便捷,网络的公开化使得很多传输的图像数据可能被轻易地监听、截获、非法复制和篡改等。图像的显著性区域包含了图像的大部分信息,对图像的显著性区域加密可以有效保护图像的信息。本文提出了一种基于深度学习的图像显著性区域加密方式,该方式只对图像的显著性区域进行加密,待加密图像先被提取显著性区域,再使用混沌置乱的方法对显著性区域进行加密。实验结果证明,基于深度学习的显著性区域提取方式性能更好,显著性区域加密比全部加密减少了大部分加密区域,大大提高了加密效率。     

发布订阅模式数据交换中间件设计与实现

为了满足当前数据交换中发布订阅需求,以及实时性和复杂性要求,设计了一种基于优先级任务的数据交换模型,并利用该模型开发TTS数据交换平台的核心模块。给出数据交换平台的整体框架以及数据集交换流程,并详细介绍任务泵、线程池等模块的实现。实际的应用测试表明,该平台能够实现复杂数据发布订阅应用,满足系统对实时性要求。     

对象池技术在交通综合信息平台中的应用与实现

为满足交通综合信息平台中各子系统信息共享及稳定、高效数据传输的要求,采用通信对象池和数据库连接池相结合的技术方案,实现交通综合信息系统的高速数据传输.基于综合信息平台具体的需求分析,设计了特定的通信对象池.同时,由于交通综合信息平台上的数据量大,在数据库连接池的设计中加入了持久类,实现了对海量数据的查询优化.该技术方案能满足交通综合信息平台数据传输的应用需求,并在实际应用中取得预期的效果,对同类技术应用有一定的参考价值.