基于MLP&ST模型的空气质量预测

针对目前大多数模型均为对已监测区域的空气质量进行预测，而少有对未监测区域进行预测的问题，综合考虑气象因素、空间相关性和时间依赖性对空气质量的影响，提出了一种联合训练模型MLP&ST （MLP&spatial-temporal），模拟预测北京市未监测区域未来时刻的空气质量指数（air quality index，AQI）。通过实验结果对比确定最佳历史时间步长P值为29；然后将模型与其他空气质量预测模型进行对比。实验结果表明，MLP&ST模型在3种评价指标下（RMSE，MAE，MAPE）皆优于其他对比模型，验证了所提出模型具有良好的预测效果。     

局部受载工况下的轮胎受力分析

轮胎属于汽车唯一与地面接触的部件。轮胎性能的好坏，对汽车行驶的安全性有着极大影响。以175/70/R14轮胎为研究基础，通过有限元分析软件分析了轮胎在6种不同局部受载工况下的变形、应力、应变情况。分析表明，与正常静载工况相比，轮胎应力、应变和整体变形情况较复杂，且呈不对称性。与异物接触的胎体区域变形较大，胎侧部位和三角胶部位变形较小；应变较大区域主要集中在异物突起部,其它部位应变较为稳定。此分析结果为纠正非正常泊车，降低轮胎受损情况，消除汽车安全隐患有实用性参考价值。     

排气消声器模态分析及降噪性能优化

汽车排气系统的振动和噪声是影响乘坐舒适性的因素之一。为研究排气消声器结构模态和声腔模态对消声器降噪性能的影响规律,建立声学有限元模型计算壳体结构模态和声腔模态,并分析各自振型模态和固有频率之间的关系。结果表明:在低频率范围内,壳体结构模态和声腔模态的固有频率发生耦合共振,导致降噪效果不佳;增加消声器外壳壁厚可提升结构固有频率,降低排气系统振动和辐射噪声水平。     

一种基于强化学习的CDN流量调度系统设计方法

针对传统的CDN流量调度系统大多采用启发式方法或规划方法，存在维护成本高，实时性不足等缺点，提出一种基于深度强化学习的CDN流量调度系统设计框架。该框架基于马尔科夫链设计了故障告警网络来触发调度，建立了基于stacking模型的质量评估奖励函数，并在此基础上对流量调度进行定义和建模，构建了基于DQN的深度强化学习模型。最后，通过仿真实验验证了该调度框架的有效性。     

ECOC多分类算法在慕课数据挖掘中的应用

收集并整合多所高校学生的慕课学习行为数据，设计基于数据复杂度的纠错输出编码（ECOC）多分类算法。该算法利用数据复杂度降低多类之间的分类难度，从而提高算法的预测准确度。实验结果表明，在不同高校的慕课数据集的测试中，所设计基于数据复杂度的ECOC分类算法比传统的ECOC算法具有更高的分类准确度和鲁棒性，实现了学生学习成绩多等级的有效预测，为个性化教学奠定了基础。     

基于深度学习的多STBC盲识别算法

针对空时分组码(space-time block code, STBC)识别中多种编码类型难区分的问题, 提出了一种基于卷积神经网络的STBC盲识别算法。该算法首先将接收信号采用自相关函数的频域预处理, 输入到卷积神经网络中对信号特征进行提取, 全连接层对特征进行映射, 实现对6种STBC类型的识别。仿真实验结果表明, 在无信道和噪声等先验信息的条件下, 所提算法能够有效区分3种相似度高的STBC3码, 且将STBC可识别的编码类型由目前的4种扩充到6种, 识别准确率能达到96%。该方法的复杂度较低, 不需要利用大量样本数据, 实时性高, 具有较好的工程应用价值。     

基于FSCD-CNN的深度图像快速帧内预测模式选择算法

针对3D-HEVC的多视点视频加深度图的编码格式和四叉树编码结构所带来的编码复杂度问题，提出了一种深度图像快速帧内预测模式选择算法。首先，从深度视频序列中以最优的深度图最大编码单元（largest coding unit，LCU）划分深度为标签获取训练集；其次，构建了适用于LCU的Cu深度快速选择卷积神经网络（fast selecting Cu’s depth-convolutionalneural network，FSCD-CNN）；最后，对深度图LCU进行划分深度预测，跳过部分编码模式决策，实现最佳LCU划分。实验结果表明，与相关文献对比，所提算法在保持了编码性能的同时平均减少了15%的编码时间，实验验证了其有效性和可靠性。     

一种新型复合探雷系统的设计和实现

为了解决传统探雷器易受复杂土壤环境和各种干扰物的影响造成误报率过高的问题,提出了一种基于电磁感应(EMI)和探地雷达技术(GPR)的复合探测系统及其设计方案,通过将两种完全不同探测机理的传感器数据进行融合处理,协同工作,提取地雷目标特征信号,结果表明:可有效提高地雷的探知率并降低误报率,克服采用单一探测技术探雷器难以解决的原理性虚警问题;通过样机试验结果验证了设计方案的有效性。     

旅游数字足迹研究：热点与展望

在疫情蔓延、经济下行的背景下,开展旅游数字足迹研究,分析预测旅游消费行为,是推进旅游消费发展、推动国际国内经济"双循环"的重要基础工作.作为旅游信息化领域的新兴话题,旅游数字足迹是游客在通讯网络、互联网和物联网等泛在网络上留下的海量电子痕迹,真实反映了游客选择偏好和深层次的行为规律.国内外学者对这方面的研究已取得一定成果,但仍处于探索阶段.鉴于此,本研究辨析了旅游数字足迹的定义、类型和相关概念,阐明了旅游数字足迹的数据来源、特征和应用,分析了旅游数字足迹在游客人口特征、游客人格预测和游客行为分析领域的热点问题.最后,从理论体系构建、数据来源和预测方法精度等问题出发,对旅游数字足迹领域未来的研究方向进行了展望,为持续激发旅游消费潜力、推动旅游消费规模增长提供理论参考.     

考虑多种损坏构成特征的沥青路面预防性养护决策方法

由于沥青路面损坏构成的多样性, 相同的路面状况指数(pavement condition index, PCI)可能代表不同的损坏组合. 当多种损坏并存且损坏程度接近时, 用PCI和主导损坏(最严重、扣分最多的路面损坏)难以得到具有针对性的养护对策. 因此, 通过对PCI的深入分析, 明确了主导损坏代表性不足的路段, 以现行预防性养护决策方法为基础, 补充了一种考虑损坏构成特征、更具针对性的决策方法. 以上海城市道路近5年的检测、养护数据为分析基础, 首先利用有序聚类算法将路段按PCI水平分组, 分析了不同阶段路面损坏构成和差异水平; 然后, 针对多种损坏并存且损坏差异不显著的路段, 根据预防性养护的实施效果筛选了能够反映正确预防性养护经验的有效养护路段; 最后, 基于有效养护路段建立并对比分析了2个基于BP(back propagation)神经网络的养护决策模型. 结果表明: 当PCI水平介于优良(84.4~93.0分)时, 不同损坏程度接近, 主导损坏代表性不足; 考虑多种损坏构成特征的BP神经网络模型表现出更高的决策精度, 测试集决策正确率达86.20%, 优于仅考虑主导损坏的模型(58.50%). BP神经网络与传统决策树法结合能够优化沥青路面决策过程, 提高养护对策选取的针对性.