基于形变长短期记忆网络的换道意图预测

混行交通下的自动驾驶车辆需具备换道意图预测能力来保障行驶安全。为尽早预测车辆换道意图,提出一种基于形变长短期记忆(mogrifier long short-term memory, M-LSTM)网络的换道意图预测模型。首先采用S-G (Savitzky-Golay)滤波器对自然驾驶数据集NGSIM(next generation simulation)进行降噪筛选,按向左换道、向右换道、直线行驶对不同时间长度的轨迹序列标注,选取车辆运动信息与环境信息输入模型,最后采用softmax函数进行意图分类。试验结果表明,在不同预判时间下,模型准确率均高于支持向量机(support vector machine, SVM)、LSTM模型,且越接近换道点预测准确率越高,在1.0、2.5 s时预测准确率分别为93.83%与81.30%。提出的模型具有良好的准确性与预判性,能为自动驾驶车辆尽早识别换道意图提供技术支持。     

参数优化变分模态分解与LSTM的电力物资需求预测

国家电网物资采购管理水平不断提高,线上采购流程逐步完善,但仍存在由于采购计划预估不准导致招投标过程中,供应商利用招投标总标包机制进行价格博弈而造成电网公司采购成本增加,因此,建立准确有效的电力物资需求预测模型具有重要意义。针对电力物资序列的非稳定性、波动性和间歇性特点,提出一种基于参数优化变分模态分解(variational mode decomposition, VMD)与长短时记忆神经网络(long short-term memory, LSTM)的电力物资需求预测方法,选取国网电商专区平台的典型电力物资,采用鲸鱼优化算法(whale optimization algorithm, WOA)参数优化的VMD对原始序列进行模态分解,将分解获得的各模态分量分别构建LSTM模型,最后将各模态的预测值叠加重构为电力物资的预测值。实验结果表明：所提电力物资需求预测方法较LSTM、EMD-LSTM、VMD-LSTM、PSO-VMD-LSTM、SSA-VMD-LSTM有更高的准确率,对电网物资采购预测具有一定实际意义。     

非线性偏微分方程求解器：基于改进欧拉法的神经网络

针对一般深度学习方法求解非线性偏微分方程时泛化能力差的问题,本文提出一个使用改进欧拉法联通网络模块的长短期卷积循环神经网络. 具体来说,该神经网络的构建运用了改进欧拉法和有限差分法. 网络中的模块之间通过改进欧拉法实现有效连接,偏微分方程中涉及的导数项通过基于有限差分法构建的卷积核实现精确近似. 本文在两个典型的非线性偏微分方程,即Burgers方程和反应扩散方程上进行了仿真实验. 实验结果证明,该方法不仅在训练数据上具有很高的精度,而且在外推到新领域时也表现出较强的泛化能力.     

低快拍下基于稀疏重构的大电磁矢量传感器阵列多维参数联合估计

大尺寸电磁矢量传感器(electro magnetic vector sensor,EMVS)比小尺寸EMVS辐射效率更高,研究其参数估计算法有助于推动EMVS的实装化应用.针对大尺寸EMVS阵列研究了低快拍下参数估计问题,提出基于稀疏重构的波达方向(direction of arrival,DOA)和极化参数联合估计...     

粘弹性地基中桩动力反应分析

分析了在桩头作用和谐和荷载时有限长桩与无限长桩的动力反应,并进行了对比,分析表明,在一般情况下,当桩长径比ｌ／ｄ≥１０时将有限长桩作为无限长桩来分析,所得内力与位移最大值误差差在工程允许范围内。     

大庆常压渣油催化裂解反应集总动力学模型

根据大庆常压渣油催化裂解实验和C4、丙烯的二次反应结果,确定了重油催化裂解九集总反应网络。通过合理假设,推导了集总反应的数学模型和催化剂失活函数,采用子模型分步法求取了模型中的反应速率常数,并对模型进行了检验和统计分析。模型验证的结果表明,柴油、汽油、丙烯、乙烯等催化裂解主要产品的预测值与实验值吻合良好,说明求取的速率常数可靠、采用子模型分步法进行集总动力学模型参数估计的方法可行。     

中长跑运动员的力量训练分析

专项速度与耐力的快速提高,已成为当今提高中长跑运动成绩的关键．人们已逐渐加深专项力量训练对提高中长跑运动能力的认识．本文概述了力量产生的生理学、中长跑运动员专项力量训练与运动员心血管耐力、速度、技术水平、肌肉耐力和柔韧性的关系,以及中长跑运动员的力量训练与年龄、性别和发育水平的关系．     

基于智能算法的燃料电池汽车道路坡度估计

道路坡度是燃料电池混合动力汽车(FCHV)能量管理策略中的重要参数,但精确的道路坡度很难实时获取。因此,提出了一种基于智能算法(长短期神经网络,LSTM)的道路坡度估计方法。通过分析汽车行驶动力模型,选择了合适的行驶参数作为网络输入。同时,比较了该算法与多层感知器(MLP)算法的估计结果,也比较了不同文献中各算法估计结果的归一化均方根误差值(NRMSE)。实车实验结果表明:该方法能在不使用额外传感器的情况下,较准确地估计实时道路坡度,估计结果的RMSE值(均方根误差值)和NRMSE值仅为0.65°和4.6%。     

长光程薄层光谱电化学法研究灿烂甲酚蓝的电还原反应

首次以长光程薄层光谱电化学法研究了灿烂甲酚蓝的电还原反应,结果表明,在SnO_2镀膜玻璃电极上,灿烂甲酚蓝发生准可逆的双电子还原反应,测得其标准电极电势E~o=0.249V(vs.SCE),并根据电化学和光谱数据,推测了反应机理。     

融合LSTM和MoE的倒闸操作识别

为解决不同人员相同操作的个体差异以及同一人员不同时间相同操作差异的问题,提出一种基于混合专家系统(mixture of experts,MoE)和长短期记忆神经网络(long short-term memory,LSTM)的倒闸操作识别方法 MoE-LSTM。基于MoE对LSTM进行集成,学习不同来源数据的特征分布。采集加速度动作数据构建倒闸操作数据集,基于滑动窗口对动作序列进行切分;将动作序列输入到MoE-LSTM中,由不同LSTM独立学习不同动作的时序依赖;通过门控网络选择对当前输入分类较好的LSTM的输出作为动作识别结果。仿真结果表明：不同LSTM对来自不同时空的动作数据都有擅长分类的特征空间。