基于应变信号时频分析与 CNN网络的车辆荷载识别方法

针对现有神经网络车辆荷载识别方法的识别精度不足且训练样本采集困难的问题,提出了一种基于应变信号时频分析与CNN网络的车辆荷载识别方法,对移动车辆总重进行荷载识别.首先,利用连续小波时频变换方法处理桥梁跨中应变信号,得到应变信号的时频特征,并利用双线性插值算法将时频信号矩阵变为大小为64×64的数值矩阵,作为CNN网络的输入数据;其次,利用CNN网络的回归学习算法,在训练少量数值矩阵后直接建立应变响应与车辆荷载的映射关系,从而实现对未知车辆荷载的识别;最后,通过模拟试验发现虽然在不同路面粗糙度和噪声影响下,CNN网络的荷载识别结果会受到不同程度的影响,但在一定范围内的路面粗糙度和噪声影响下仍然能较精确地识别车辆荷载.     

基于粒子滤波的结构参数和荷载同步识别方法

在输入荷载未知的情况下,为解决结构参数和荷载的同步识别问题,将速度、位移、结构参数和输入荷载同时作为状态值构建状态空间方程,选用非线性性能较好的粒子滤波辨识结构参数与荷载.针对利用加速度进行荷载识别时出现的漂移问题,采用梯形积分和零相位高通滤波,通过测试得到加速度计算速度、位移数据,并运用计算值更新粒子滤波求得的速度、位移状态值,从而消除漂移现象.数值算例表明,文中方法能同时识别结构参数和荷载值,与真实值的误差较小,可有效解决识别过程中荷载识别值漂移的问题.     

基于CNN和LSTM的脑电信号情感识别

为了提高脑电信号情感识别的准确率,提出了一种基于卷积神经网络(CNN)和长短时记忆(Long Short-Term Memory,LSTM)网络的脑电信号情感识别方法.首先,对62个通道的脑电信号进行预处理,并对预处理后的每个通道的脑电信号分别采用一维卷积神经网络提取情感特征.然后,利用LSTM网络在序列上的建模能力,...     

基于结构状态方程的结构参数和荷载识别方法

基于结构状态方程进行结构参数和荷载的共同识别。以结构参数修正因子为优化变量,由测得的结构动态响应结构和构造的系统矩阵计算相应的未知荷载。通过最小化实测结构响应与给定的修正因子下的计算结构响应间的距离来识别未知量。其中给定修正因子的系统矩阵由虚拟变形方法构造,并通过一个桁架结构的数值算例验证了该方法的有效性。     

基于动作主视图和LSTM网络模型的人体行为识别

人体行为识别是计算机视觉领域的研究热点。针对传统行为识别算法具有计算复杂度较高的问题,提出一种基于动作主视图的长短时记忆模型人体动作识别方法。将三维空间中的动作正投影到二维的平面中,降低动作空间的维度和计算复杂度,利用长短时记忆神经网络处理时序数据的能力,对人体动作进行识别。选用MSRAction 3D公开数据集验证文中算法,采用十次十折交叉验证法,该方法平均识别率达93.06%。实验结果表明,本方法在降低算法复杂度的同时,识别效果较现有的其他算法好。     

采用长短时记忆网络的低资源语音识别方法

针对低资源环境下由于标注训练数据不足、造成语音识别系统识别率急剧下降的问题,提出一种采用长短时记忆网络的低资源语音识别(LSTM-LRASR)方法。该方法采用长短时记忆网络构建声学模型,从特征提取、数据扩展及模型优化3个方面提高低资源语音识别性能。在特征提取方面,提取语言无关的高层稳健特征参数,降低声学模型对训练数据的依赖;在数据扩展方面,对已有标注数据进行语速扰动,对无标注数据进行自动识别,从而自动获取更多标注数据;在模型优化方面,通过序贯区分性训练技术提高模型对易混淆音素的区分能力,利用最小风险贝叶斯解码对多个系统进行融合,进一步提高识别性能。对OpenKWS16评测数据的实验结果表明,采用LSTMLRASR方法搭建的低资源语音识别系统的词错率相对基线系统下降了29.9%,所有查询词的查询项权重代价提升了60.3%。     

基于改进信息熵和LSTM网络的轴承故障诊断

针对传统的时频域故障诊断方法无法对故障实现自适应识别和分类,且准确率较低的问题,提出一种基于改进信息熵(improved information entropy, IIE)的长短时记忆网络(long-short time memory network, LSTM)方法。首先对原始信号分别进行集合经验模态分解(ensemble empirical mode decomposition, EEMD)和变分模态分解(variational mode decomposition, VMD);将包含故障信息的所有本征模式分量(intrinsic mode functions, IMF)进行信息熵的求取;通过信息熵反映IMF的信息量和峭度指标对描述冲击成分的优势改进信息熵,构成特征向量;最后结合LSTM处理非线性数据的优势,利用组合特征训练LSTM网络建立诊断模型。实验结果表明：该方法能准确、高效地识别多种故障,准确率要比单一的EEMD-LSTM、VMD-LSTM、人工神经网络等传统方法更高。     

基于LSTM与注意力结构的肺结节多特征抽取方法

对肺结节的形状特征、边缘特征和内部特征进行准确分类,能够辅助影像科医生的日常诊断工作,提高影像报告的书写效率.针对这一问题,提出一种基于长短时记忆(LSTM)结构与注意力结构的多任务分类模型.该模型通过注意力机制融合各个任务间的共享特征,提高当前任务的特征抽取效果.LSTM结构分类器能够有效地筛选任务间的共享特征,提高模型的信息传递效率.实验表明,相较于传统多任务结构,所提模型在公开数据集LIDC-IDRI上能够取得更好的多特征分类效果,辅助医生快捷地获取肺结节特征信息.     

基于长期实测的南京栖霞山长江大桥车辆荷载分析

为准确掌握南京栖霞山长江大桥车辆荷载的统计特性及变化规律,基于该桥动态称重系统记录的2014-2016年数据,研究各车道上不同轴数车辆的分布特点及变化规律,并分析不同轴数车辆各轴轴质量随车质量的变化规律.采用K-means聚类方法对同轴数车辆进行分类,将各类型车辆的轴距、轴质量参数与现行标准进行比较.结果 表明:在大桥所有通行车辆中,二轴车辆为主要类型且所占比例逐年增加,到2016年其通行数量占通行车辆总数的比例为87.42％;5种不同轴数代表车辆中二轴、六轴车辆参数与现行标准相近,与现行标准中三轴、五轴车辆参数相近的车辆不是桥上主要通行车辆类型;各轴数车辆代表轴质量均在轴荷载允许限值内.     

桥梁动态称重技术在中小跨径混凝土梁桥上的适用性研究

为准确了解桥梁动态称重(BWIM)技术在不同类型桥梁上的适用性,从而为BWIM技术选型提供理论依据,针对我国应用范围最广的中小跨径混凝土梁桥开展了BWIM系统测试精度和稳定性的研究.首先基于公路桥梁通用图集建立了典型截面和跨度的梁桥模型,利用数值仿真方法获得了不同加载工况下车辆和桥梁的动态响应;然后利用经典BWIM方法计算了车辆总重和轴重及其识别误差;最后利用参数分析方法研究了桥梁跨径、截面类型、车辆类型、传感器测点位置、路面平整度、测量噪声、行驶速度等重要因素对识别效果的影响.研究发现:在不同跨径和截面类型的桥梁及各种复杂工况下,利用BWIM技术均可以获得理想的总重识别效果;而在轴重识别方面,桥梁跨径越小,识别效果越佳;另外,空心板桥具有更好的识别精度,T梁桥次之,小箱梁桥最次;路面平整度的劣化和输入信号噪声可能对BWIM系统的轴重识别效果产生不利的影响,实际应用中维护路面平整和控制输入噪声对于获得可靠的车辆称重结果具有重要的意义.     

基于实测的公路桥梁车辆荷载统计模型

基于动态称重系统获取的运营交通基本信息,依据轴组类型对所有车辆进行分类及筛选,建立了6种主要车型的车重、车距、车道交通量、轴重与轴距的统计模型,然后按损伤等效原则提供了6种车型的等效模型车辆,为桥梁疲劳可靠性评估提供了实用的车辆荷载模型.研究表明该建模方法能够准确描述交通荷载,建模过程与方法对同类问题具有普遍意义,可应用于建立各种交通状况下的疲劳车辆荷载模型或提供参考.     

基于Attention机制的CNN-LSTM驾驶人意图识别方法研究

在自动驾驶系统中,系统需要准确识别驾驶人的意图,来帮助驾驶人在复杂的交通场景中安全驾驶。针对目前驾驶人意图识别准确率低,没有考虑优化特征对模型准确率影响的问题,运用深度学习知识,提出了一种基于时间序列模型的驾驶人意图识别方法。该方法基于Attention机制融合了卷积神经网络(convolutional neural networks, CNN)和长短时记忆网络(long short-term memory network,LSTM),引入车辆自身信息和环境信息作为时空输入来捕捉周围车辆的空间交互和时间演化。该方法可同时预测目标车辆驾驶人横向驾驶意图和纵向驾驶意图,并在实际道路数据集NGSIM(next generation simulation)上进行了训练和验证。实验结果表明,所提出的CNN-LSTM-Attention模型能够准确预测高速公路环境下驾驶人的驾驶意图,与LSTM模型和CNN-LSTM模型相比具有明显的优势,为自动驾驶系统的安全运行提供了有效保障。     

基于车致振动响应的含分布损伤桥梁结构识别方法

采用Newmark直接积分法和龙格库塔法求解了非线性车桥耦合系统的振动响应,并利用加速度响应灵敏度方法对含裂纹梁结构进行分布类型的损伤识别。文中车辆采用含非线性弹簧的半车模型,桥梁被离散为欧拉梁单元,裂纹引起的桥梁损伤模拟为桥梁局部刚度的线性分布的减少。数值算例表明,在5%噪声情况下,加速度响应灵敏度方法依然可以较准确地识别出桥梁损伤的分布情况。     

基于注意力机制的车辆行为预测

为了解决智能驾驶场景中对周边车辆未来行为的预测问题,研究了基于注意力机制的长短时记忆网络(LSTM)模型的车辆行为预测方法.首先提出了一种非均匀步长的时间序列数据划分方法,将属于特定行为的车辆时序信息进行分类;以LSTM为基本的神经网络框架,用注意力机制判断输入时序信息中各个时间步信息的重要程度,分配不同的权重值;以目标车辆及其周边车辆的历史轨迹信息作为算法输入,用来预测目标车辆将来的运动行为.结果表明:该算法可以解决固定步长的时序分类方法导致的信息遗漏或计算资源负担增加的问题,同时能够有效提高行为预测准确性,减少车辆行为预测时间.     

公路简支梁桥在车辆荷载作用下的动力响应分析

把车辆和桥梁看作两个分离的子系统,分别应用d’Alembert原理和有限元法建立它们的振动微分方程,通过两个子系统之间的位移协调条件和相互作用力相等的原则将车辆和桥梁的振动微分方程耦合起来.利用有限元软件ansys的二次开发APDL语言编写了求解车桥耦合系统振动微分方程的命令流,以路面随机不平顺为激振源,进行了车桥耦合系统动力响应的计算,研究了路面不平顺及车辆参数对桥梁动力响应的影响.计算结果表明,路面等级、车速、车辆悬架刚度、车辆悬架阻尼对桥梁结构动力响应的影响明显;车重、轮胎阻尼、轮胎刚度的影响次之.     

基于集成多尺度LSTM的短时风功率预测

风能作为一种无污染可再生能源,风力发电的比例在全球范围内逐年增加.针对风力发电存在出力波动大,从而导致电网电力不稳定的问题,提出基于集成多尺度长短时记忆网络(LSTM,long short-term memory)的短时风功率预测模型.利用LSTM对序列数据的特殊处理能力,集成多个基预测模型对不同尺度时间数据的预测结果,共同进行短时风功率预测.风功率的精确预测有利于电力资源的全面掌控和调度.采用中国东北地区风力发电真实数据集对模型进行验证,结果证实研究方法预测精度较高,有很好的稳定性.     

基于深度神经网络的语音情感识别方法

语音情感识别是人机交互的重要方向,可广泛应用于人机交互和呼叫中心等领域,有很大应用价值。近年来,深度神经网络在识别情感方面取得了巨大成功,但现有方法对高层语音特征提取会丢失大量原始信息并且识别准确率不高,本文提出了一种新的语音情感识别方法,由卷积神经网络从原始信号中提取特征,并在其堆叠一个2层长短时记忆神经网络,最终识别准确率达到91.74%,本文方法显著优于基于EMO-DB数据集等其他方法。     

基于复杂网络的城市公交车辆动态分布分析方法

为了动态分析公交车辆在线网上的实时分布,文章构建一个基于车辆分布的公交动态复杂网络模型,基于复杂网络理论提出车辆服务强度与线网储备运力2个指标来反映公交动态复杂网络的分布特征。基于Space-L方法建立包含城市公交站点及线路信息的静态网络模型,分析公交静态网络特性;根据公交车辆实时GPS数据提取站点间车辆数作为边的权重,建立公交动态复杂网络模型,使用车辆服务强度与线网储备运力进行线网车辆分布分析并对动静态公交网络进行匹配性研究。将提出的方法应用于宁波市公交系统,研究发现：车辆服务强度呈现出明显的时间与空间差异;线网储备运力与网络直径具有较强的相关性,可以通过不同时刻动态网络直径的大小来分析线网的储备运力;公交静态网络与动态网络的关键参数差异表明两者不完全匹配。     

基于循环生成对抗网络的机器翻译方法研究

近几年来,智能语言处理在语言学习方面已经得到了广泛的应用,但是由于在处理语言中往往会存在网络模型优化困难、强制对其的标记数据会出现精度偏差,与以往大多数使用判别模型结合HMM混合模型进行声学模型训练的系统相比,本文提出了一种基于循环生成对抗网络的机器翻译方法,该方法主要结合生成对抗网络来训练机器翻译模型.首先,将一段语...