排序方式: 共有20条查询结果,搜索用时 0 毫秒
1.
2.
张浩天 《智能计算机与应用》2022,(10):92-100+106
随着自动驾驶技术的发展,如何引导联网自动车辆(Connected and Autonomous Vehicles, CAV)安全高效行驶受到了学术界的广泛关注。为了对复杂交通环境下CAV轨迹进行优化,提出了一种有效的混合交通流下CAV的轨迹优化模型。模型将交叉口划分为可变道区域与不可变道区域。在可变道区域构建人工驾驶车辆(Human-driven Vehicles, HV)变道概率模型,以优化行驶舒适度为目标建立响应变道的协同控制策略。在不可变道区域结合车辆队列识别与交叉口信号灯配时,以快速通过交叉口为目标,提出一种标记识别的轨迹优化方法。仿真结果表明,模型在不同CAV比重下平均行驶时间、停车延误时间和舒适度都得到了显著提升。敏感性分析表明,模型最大承载车流量应设置为1 080 veh/h,有效右转车辆比重范围设置为40%以内。 相似文献
3.
基于数据驱动的电网异常数据辨识方法已成为电网安全领域研究的重点,由于实际电力发电统计数据中异常数据样本数极少,给通过数据挖掘方法辨识异常数据情况带来了极大困难。文章提出了一种基于Wasserstein生成式对抗网络(Wasserstein generative adversarial networks, WGAN)和孤立森林算法(isolation forest,iForest)的发电统计异常数据辨识方法。首先,利用WGAN交替训练生成器和判别器学习发电统计数据的分布特性并生成样本,用生成异常样本对原始异常样本进行增强,根据异常数据辨识精度确定异常样本的扩充比例;然后,在扩充后得到的平衡数据集上利用孤立森林算法实现异常数据辨识;最后,通过扩充样本前后模型的准确率、查全率以及查准率来比较模型异常数据的辨识效果。算例结果表明,文章提出的异常样本增强方法能够有效地改善辨识模型对于多数类的分类偏好问题,提升整体辨识精度。 相似文献
4.
研究了由碳纤维(Carbon Fibre)和Kevlar纤维(Kevlar Fibre)制备的变角度混杂层合板的模态参数,以改善复合材料层合板振动特性。基于模态试验基本理论,采用模态力锤法获得了变角度混杂层合板的频响函数,拟合函数获得前三阶频率阻尼比。研究分析可知:变角度铺层作为芯层时,纤维角度变化对固有频率变化较平缓,均在0.9%左右。而变角度层作为面层时,纤维角度的变化可以有效提高层合板的固有频率,增加44.0%。刚度更高(与Kevlar纤维相比,杨氏模量是其2倍左右)的CF作为面层材而KF作为芯层时,固有频率增加,一阶固有频率最多提高62%,三阶固有频率最多提高57.1%。当铺层顺序为[±<60|75>/0k/90k]s整体振动特性最佳达到(基频为17.83Hz),相对于纯CF直线铺层提高了74.0%。 相似文献
5.
为了在非线性、非平稳的滚动轴承故障振动信号中有效提取出敏感的故障特征,提出了基于变分模态分解(VMD)与时间序列分析相结合的特征提取方法。首先通过VMD将原始信号分解为不同预设尺度的本征模态分量(IMF),对各个IMF分量建立时间序列预测模型,通过叠加重构得到最终的预测模型,比较评价指标确定最优参数的选取。最后,通过仿真信号与滚动轴承实际故障数据分析,并与经验模式分解(EMD)进行对比,结果表明该方法能够有效的提取到故障特征频率。 相似文献
6.
心外科患者重症监护室ICU住院时间的影响因素分析和预测有利于住院患者的早期干预和成本控制,对心脏外科患者的治疗和护理具有重要意义。本文使用重症监护数据库MIMIC-IV作为实验数据集,纳入7567名患者数据,采用最小绝对收缩选择算子Lasso从126个影响因子中筛选出41个重要预测因子。基于梯度增强决策树GBDT算法构建了心外科重症监护室住院时间预测模型。实验结果显示,训练全部预测因子的GBDT模型平均准确率为0.688,高于传统逻辑回归LR算法平均准确率0.603,基于筛选出的重要预测因子的GBDT算法与基于全体因子的GBDT算法在最终平均准确率上效果相同,说明该方法可优化数据采集,准确预测住院时间,为临床决策支持系统提供算法支撑。 相似文献
7.
8.
深度神经网络在图像分类、语音识别、视频检测等领域都取得了巨大的成功,这些领域主要采用了卷积神经网络(CNN)、长短期记忆(LSTM)中的一种或者两种网络类型。由于CNN和LSTM网络结构的差异使得现有深度神经网络加速器无法同时高效支持这两种网络类型。权重二值化使得加速器对于CNN和LSTM的同时支持更加高效,同时使得计算复杂度和访存量大幅降低,使得神经网络加速器能够获得更高的能效,并且二值权重对中小规模神经网络模型的精度损失的影响非常有限。本文提出了一种高效支持CNN与LSTM的二值权重神经网络加速器设计结构,该结构在运行CNN和LSTM网络模型时,其核心运算单元利用率超过已有加速器,并且该加速器通过了片上系统(SoC)芯片验证,经过芯片实测,该加速器芯片能效在SoC系统级别达到了6.43 TOPS/W。 相似文献
9.
10.
学生知识画像是对学生在不同知识概念掌握程度的全面精准的表示. 通常,智能教育系统中使用知识追踪方法,基于显式的学生交互数据,对学生在某些知识概念的隐式掌握程度进行建模. 然而知识追踪方法的预测结果与学生知识画像存在着时序、预测粒度不一致的情况,导致其产生的学生知识画像不可信. 对此,首先基于端到端的学生知识掌握度预测目标定义并形式化学生知识画像预测任务,然后提出了一种深度知识画像(deep knowledge portrait, DKP)模型. 该方法首先在知识粒度上学习交互表征,引入了知识难度、知识概念等特征在知识粒度上区分交互;然后,采用双向长短时记忆网络基于学生历史交互序列,建模学生知识状态变化. 最后针对待预测知识概念,使用了多头注意力池化层强化历史序列中的相关交互以进行该概念下的学生掌握度预测. 在3个真实的数据集上的实验结果表明,所提出的方法更适合学生知识画像预测任务从而获得更可信的学生知识画像,并在各项性能上超过了现有的方法.
相似文献