基于改进卷积神经网络的交通标志识别分类方法

交通标志识别系统是智能交通系统与先进辅助驾驶系统的重要组成部分,由于道路交通较为复杂,提高交通检测与识别算法的准确率和实时性是走向实际应用进程中需要解决的关键问题。文章提出一种基于参数优化的卷积神经网络方法,在对选用的数据集进行预处理操作基础上,适当调整CNN的规模、结构,使用网格法对相关参数进行协同优化,再使用改进的CNN模型在CTSDB数据集上进行训练和验证。结果表明：优化后的模型性能和稳健性均显著提高,且能够有效地完成交通标志的识别、分类任务。     

基于交叉熵的CNN交通标志识别方法研究

为了弥补经典LeNet-5卷积神经网络模型在交通标志识别中易发生过拟合的不足,克服其识别准确率与训练效率较低的缺点,采用GTSRB德国交通标志数据集,并对数据集进行扩充,使训练集数量达到6 312 649张,同时对经典LeNet-5卷积神经网络模型在激活函数、池化策略、随机丢弃及网络结构等方面进行改进,使用基于交叉熵的梯度下降算法对模型的误差反向传播过程进行优化。实验结果表明,改进后的模型较改进前在识别准确率与训练效率上都有所提高,识别准确率最高可达97.04%。因此,基于交叉熵的卷积神经网络不仅能够提高模型的交通标志识别准确率,有效防止过拟合,还能够提升网络训练效率。     

基于反向随机投影的神经网络改进算法

提出基于反向随机局部投影的神经网络效率改进算法，通过降低深度学习中的网络规模，重点解决了从“局部连接”到“全连接”和随机节点抽取时输入端节点信息丢失的问题，从而提升网络的效率。在算法中设置缩减参数，提升了算法的可伸展性，以适用于不同数据集的学习。通过数据集ISO-LET进行实验，结果表明，基于反向随机局部投影的神经网络效率改进算法的准确率、效率分别平均提升了3.48%和105.21%?在迭代20次的实验中进行了缩减参数调节实验，当参数设置为1.4时其准确率则优于传统全连接网络2.61%，效率提升了272.78%，具有明显的优势。     

基于PCA的决策树优化算法

为了改善传统ID3算法在分类属性选择上存在多值偏向性的不足,提出基于PCA的决策树优化算法。在普通基于PCA 的决策树改进算法中,存在数据经降维处理后代表性不强的问题,导致算法需经过多次数据运行后,准确率才能小幅提升。在ID3算法基础上,在分类前两次提取属性特征值,并计算了需要分类的数据量,也即对原始数据进行最重要的属性选择。在子树建立之后,再进行数据的降维合并选择。采用UCI数据库中的3个数据集对改进算法进行验证,结果表明改进算法的平均准确率达到94.6%,相比传统ID3算法与普通PCA决策树优化算法分别提升了1.6%和0.6%。因此,基于PCA的决策树算法能在一定程度上提升结果准确率,具备一定的应用价值。     

卷积神经网络在手写字符识别中的应用

随着人工智能的发展,计算机对于输入的手写字符识别需求越来越大,采用改进的卷积神经网络对手写字符进行识别分类。用VGGNet16模型构造卷积神经网络模型,每一层都加上批标准化,通过平均值池化对卷积层进行下采样,利用PRELU激活函数代替ReLU激活函数,最后通过Softmax分类器对手写字符图像进行分类。在MNIST手写数字数据集和EMNIST-bymerge手写字母及数字数据集下进行实验,改进的卷积神经网络模型在MNIST数据集中识别准确率提升到99.65%,在EMNIST数据集中识别准确率为90.37%。因此,改进模型识别准确率较高,适用于手写字符识别。     

基于MapReduce的城市道路旅行时间短时预测

旅行时间是交通系统中一个重要的测量指标,精确的旅行时间预测对智能交通系统和先进交通信息系统发展有重要意义。数据采集技术为旅行时间计算提供了海量实时交通数据,如何利用海量实时交通数据精确且快速预测旅行时间成为当前旅行时间研究中的一个热点问题。基于海量的车牌识别数据,在Hadoop框架下,用MapReduce编程模型,应用卡尔曼滤波法实现对路段旅行时间的预测,和其它算法对比,该算法预测准确性有显著提高。     

基于AdaBoost与改进CNN的驾驶员愤怒情绪识别

针对驾驶员愤怒驾驶引发的道路交通安全问题,提出一种基于AdaBoost与改进卷积神经网络(convolutional neural net-works,CNN)的驾驶员愤怒情绪识别模型.利用AdaBoost算法检测驾驶员人脸并采集面部表情数据,建立基于驾驶员情绪的表情数据集.针对CNN中LeNet模型的不足,提出改进方...     

基于卷积神经网络的人脸检测算法研究

近年来,随着深度学习的迅猛发展,人脸检测算法准确度已有很大提升。模型越复杂,检测速度越慢,设计一种准确度与速度兼顾的人脸检测模型尤为必要。基于FaceBoxes人脸检测算法框架,提出一种基于深层卷积主干网络的改进方法,并在人脸检测基准数据集中进行测试实验。其在FDDB数据集上的实验结果显示,检测正确率达95%,比传统方法提高1.67%。该算法在保证实时性的同时提升了检测准确率,可应用于追求更高准确率的人脸检测系统。     

融合数据增广技术与机器学习算法的个人信用评分研究

为了提高个人信用评分模型算法预测精准率,受视觉领域数据增广思路启发,提出融合数据增广技术与机器学习算法的个人信用评分模型。该模型首先对原始个人信用数据进行数据增广处理,然后基于机器学习分类算法训练一个二分类个人信用评分模型,最后基于公开个人信用数据集,分别建立未经过数据增广和经过数据增广处理后的个人信用评分模型。对比准确率、精确率、召回率、F1 得分、AUC 值和 ROC 曲线等 6 个性能评价指标,结果显示,相较于仅基于机器学习算法的个人信用评分模型,融合了数据增广技术与机器学习算法的个人信用评分模型使得分类性能得到了一定提升,分类准确率平均高出 5%。     

一种新型带门限回归单元循环神经网络的信息安全评估算法

目的:针对现有信息安全评估算法的准确性和鲁棒性不足,以及评估效率的低下,本文提出一种新型带门限回归单元的循环神经网络(GRU-RNN)信息安全评估算法.方法:该算法首先提取信息安全评估中的内外安全态势特征,然后将特征应用至GRU-RNN时间序列分析网络中,通过对该时间序列分析网络模型的训练和交叉验证,完成对网络信息安全的评估.结果:在林肯实验室的DARPA数据集上进行仿真实验,相比于传统网络安全评估算法,本文提出算法获得了更高的评估准确率和鲁棒性.尽管GRU-RNN模型需要更多的训练时间,但是能够保证更好的评估结果,并且适合不稳定的信息安全数据评估.结论:本文提出的内外安全态势特征能够很好的描述时间序列数据中的信息安全特性,并且应用GRU-RNN模型能够应对非平稳数据,同时提升了信息安全评估的准确率与鲁棒性.     

基于车流量的信号灯及车道数智能调节系统设计

针对城市道路交通流的不确定性和随机波动性,应用基于BP神经网络算法和韦伯斯特模型来优化城市道路,提高车辆通行效率。利用神经网络算法较高的预测精确度对交通流进行预测,并以此预测结果为基础,提前对导向可变车道进行变换,由此提高了道路的空间利用率;然后依据车道属性改变后的数据,运用改进后的韦伯斯特模型计算信号灯配时参数,并结合当前道路的具体状况来优化红绿灯配时,由此提高了路口的时间利用率。以合肥市某交叉路口交通流量数据对提出的方法进行测试,验证了该方法的有效性。     

改进蛙跳算法的小波神经网络短时交通流预测

为改进小波神经网络模型对短时交通流的预测效果,提出一种基于改进混合蛙跳算法的短时交通流预测模型用以优化小波神经网络。该算法使用交叉分组法对子群进行划分,再利用具有自适应因子的局部搜索策略平衡混合蛙跳算法局部与全局搜索能力,最后把得到的最优解用于优化小波神经网络模型初始值,并对短时交通流进行预测。实验结果表明,该方法对短时交通流预测精确度达到97.43%,比传统方法提高1.016 1%,均方根误差比传统方法降低了5.587 9%,具有较高的应用价值。     

基于PSO-SVM模型的网络流量预测研究

针对网络流量高度自相关、随机性和非线性等时间序列特征,采用支持向量机（SVM）模型进行预测。针对SVM模型中参数难以确定的问题,采用粒子群（PSO）算法进行参数寻优,保证预测的精确度。将PSO—SVM模型预测结果与ARIMA自回归移动平均模型、BP神经网络模型预测结果进行比对,PSO—SVM模型具有更高的预测精度,能够更好地反映网络流量的变化规律。     

基于改进支持向量机模型的交通拥堵情况预测

随着机动车数量的迅猛增加,城市交通拥堵状况日益严峻,城市道路拥堵严重影响着居民的日常工作和生活,因此研究道路拥堵程度,以及对道路拥堵变化进行预测则显得尤为重要。为此,构建一个基于拥堵指标的MM-SVR模型,在考虑下一时段可能到达路段的潜在车流量情况下,对道路拥堵情况进行深入探究。首先,融合速度、区域内交通流量构建道路拥堵程度指标,然后基于历史数据构建将马尔科夫链与支持向量机预测相结合的MM-SVR模型对道路拥堵进行预测,以向前[n]阶状态的交通流量和速度作为输入量,将道路拥堵程度指标作为输出量。在实例验证中,使用广州市某片区的实时交通流数据对模型效果进行评测,并且使用SVR以及Adaboosting模型进行对比实验。实验结果表明,该模型无论是在拟合优度还是预测误差上均优于对比模型,在实时反映交通流拥堵情况方面有着良好表现。     

基于交通大数据的车辆行驶路径规划综述

交通大数据的应用和发展为现代车辆路径规划带来了机遇和挑战。因此,了解交通大数据概念、路网匹配、路径规划算法、交通信息预测等方面的研究现状和研究特点,对明确未来路径规划研究方向和发展趋势显得尤为重要。首先介绍交通大数据概念及轨迹数据预处理方法,归纳总结国内外在路网匹配上的各种匹配算法及其优缺点;然后,阐述常用路径规划算法,其中包括传统经典算法与当下流行的智能算法;随后对交通信息预测研究方法和各种预测模型进行简要概括;最后指出车辆路径规划现阶段存在的问题,并展望未来研究方向。     

基于LSTM等深度学习方法的股指预测研究

为了改善传统时间序列方法无法在预测模型中添加相关变量等缺点,并提高股指预测精度,运用LSTM神经网络等深度学习方法对我国上证指数及沪深300指数进行预测分析,并将预测结果与RNN、CNN、ARMA等模型进行比较,然后在模型中加入百度指数测试其对预测精度的影响,最后检验LSTM模型对训练步长的敏感性。研究结果表明,LSTM能够实现对股指的精准预测,其预测评价指标MAE、MAPE、RMSE分别为0.008、0.025、0.011,预测误差低于其它模型,加入百度指数可进一步提升其预测能力,但改变LSTM模型训练步长对结果影响不大。因此,LSTM模型在金融经济预测领域有较高的应用价值。     

基于时间序列的呼叫中心话务量预测

根据呼叫中心的话务量时间序列,对比研究了趋势外推法、平滑预测法与ARIMA模型法等话务量预测技术,并结合实际历史话务进行了相关验证,得出基于Holter-Winter非季节模型与ARIMA模型的预测方法可以对企业呼叫中心的话务进行较为准确的预测的结论．     

基于深度学习改进的机器人轨迹规划算法

在公路环境巡逻机器人轨迹规划问题中,实时准确的交通流量预测对机器人轨迹规划尤为重要。然而由于车流量的随机非线性,使得机器人轨迹规划任务仍然充满挑战。提出一种深度神经网络与轨迹规划算法相结合的融合算法。通过深度学习预测短期交通流量,优化交通网络图并运用轨迹规划算法完成路径规划。实验表明,改进的机器人能够更快、更安全地完成道路巡逻任务。     

时间汇集间隔对交通流异方差性的影响

依托从英国快速路系统中采集到的实际交通流数据,研究了时间汇集间隔对交通流异方差性的影响．使用1-30min共30种时间汇集间隔,生成了30个实际交通流数据序列,确定并估计了相应的ARIMA模型,计算后得到30个交通流量残差序列．针对不同汇集间隔下的ARIMA模型残差序列,应用portmanteau Q检验和LM（Lagrange multiplier）检验,分析了交通流量序列的异方差性．实证结果表明：交通流量序列在选定的30个汇集间隔都具有显著的异方差性;较长的时间汇集间隔可以消减交通流量序列中的噪声,从而减弱交通流异方差性的程度．研究结果有助于开发具有较高可靠性和鲁棒性的交通管理和控制系统．     

基于 A-LSTM 算法的烧结矿质量预测

针对烧结厂烧结杯实验周期长等问题,构建一种 A-LSTM 的烧结矿质量预测模型。在 LSTM 网络基础上借鉴注意力机制思想,通过权重再分配使网络更加关注训练过程中的非冗余数据。为减少损失函数在训练过程中的震荡,提出加权均方误差损失计算方式,考虑每轮输入数据缺失值占总体的比重,使模型预测更为准确。实验结果表明,A-LSTM 预测方法准确率可达 92.7%,相比于原始 LSTM,预测准确率提升了 1.9%。