基于时空注意力Bi-LSTM模型的短时交通流预测

针对目前交通流预测精度不高的问题,提出了一种时空注意力Bi-LSTM的短时交通流预测模型。结合交通流的时空特性,将交通流序列构成时空数据矩阵作为模型的输入,利用Bi-LSTM网络关联预测时刻前后的交通流数据,捕捉交通流数据在时间维度前后潜在的联系。引入注意力机制,解决不同时刻输入特征对预测时刻交通流影响存在差异的问题。实验结果表明,相较于对比模型,所提出预测方法的预测误差低于其他模型的预测误差,其有效地提升了预测精度,体现了新模型对于短时交通流预测的有效性。     

基于改进YOLOv4的车型检测算法研究

针对车型检测任务中存在错检、漏检的问题,提出一种改进YOLOv4的车型检测算法。首先,使用CBAM-DenseNet-BC网络代替原始特征提取网络CSPDarKNet53,加强网络对车型重要特征信息的提取能力,从而提高特征信息的利用率;然后将SPPNet替换成ASPPNet,增大网络感受野的同时减少网络计算量,并使得特征图分辨率的降低速度变缓;其次,为加快模型推理速度,将原始算法检测模块中负责检测小目标的分支裁剪;最后,为检测车型类别信息的同时关注其位置信息,在检测模块YOLO-Head之前添加CBAM模块。实验结果表明改进后的算法的mAP值为95.22%,比原始算法提高了1.93%。改进后的算法能够有效地检测出车型,准确率相对于其它算法有所提高。     

基于ECA-ResNet与CEEMDAN能量熵的轴承故障诊断

为解决轴承故障诊断中故障分类模型参数多且泛化性能弱、故障识别率低、识别速度慢的问题,设计一种基于深度学习模型ECA-ResNet、完全噪声辅助聚合经验模态分解与麻雀搜索算法优化的支持向量机(SSA-SVM)的故障诊断方法。通过ECA-ResNet对轴承信号进行建模以提取频域故障特征;将频域特征与CEEMDAN提取的能量熵以及传统信号的时域特征共同构成特征矩阵;通过SSA-SVM进行故障类型识别。结果表明：与传统故障特征提取方式相比,所提出的轴承故障诊断方法能得到良好的诊断效果,轴承故障识别率和分类速度较高。