期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于视频的车站客流风险状态智能辨识方法
1
作者
耿旭
王艳辉
+1 位作者
高凡茜
绳可欣
《中国铁路》
北大核心
2025年第9期139-150,158,共13页
随着轨道交通网络的扩展和车站客流量不断增加,如何应对日益增长的客流压力、保障乘客安全已成为轨道交通正常运营的关键核心问题。在人工智能、视频分析技术快速发展的背景下,提出基于视频数据的智能客流风险识别方法;提出包括客流速...
随着轨道交通网络的扩展和车站客流量不断增加,如何应对日益增长的客流压力、保障乘客安全已成为轨道交通正常运营的关键核心问题。在人工智能、视频分析技术快速发展的背景下,提出基于视频数据的智能客流风险识别方法;提出包括客流速度、密度、持续时间和车站结构、环境、乘客状态等共同作用下的客流风险影响要素体系,构建基于风险要素的车站客流风险定量等级划分方法;采用YOLOv8与ByteTrack结合的目标检测算法、Alpha Pose人体姿态估计和ST-GCN时空图卷积网络实现对客流风险状态的智能辨识,其中乘客状态和客流密度识别准确率分别达到98.49%和96.67%,为车站的客流风险量化管理与安全运营提供方法与技术支撑。
展开更多
关键词
轨道交通
车站客流
视频图像识别
乘客状态
风险辨识
在线阅读
下载PDF
职称材料
一种基于条件度量迁移学习的机械故障诊断可解释方法
被引量：
3
2
作者
路飞宇
佟庆彬
+2 位作者
姜学东
徐建军
霍静怡
《仪器仪表学报》
EI
CAS
CSCD
北大核心
2024年第7期250-262,共13页
迁移学习技术可以减小源域和目标域特征之间的分布差异。然而,在跨设备场景下,现有研究往往难以衡量并缩小不同设备间数据的条件分布差异,导致模型在源域获得的知识不能很好地迁移到目标域。此外,在实际的故障诊断场景中,决策者通常需...
迁移学习技术可以减小源域和目标域特征之间的分布差异。然而,在跨设备场景下,现有研究往往难以衡量并缩小不同设备间数据的条件分布差异,导致模型在源域获得的知识不能很好地迁移到目标域。此外,在实际的故障诊断场景中,决策者通常需要理解模型为何将某些数据归类为特定故障类型。由于深度学习模型的复杂性,其往往被看作是“黑匣子”,难以解释其内部工作机制。为了克服上述缺点,提出一种基于条件度量迁移学习的可解释故障诊断方法。首先利用Hilbert包络谱分析将时域信号转为频域信号;其次搭建深度孪生卷积神经网络和分类器,从频域中提取源域和目标域数据中的高维特征并做分类训练;然后将可解释的条件核Bures度量嵌入到无监督学习的损失函数中,提高条件分布下的特征适配能力和模型可解释性;最后利用博弈论中的SHAP方法对模型诊断结果做基于包络谱的事后可解释分析。在3种设备的6种跨设备轴承故障诊断任务中开展试验,对所提方法和其他相关对比方法进行评估,结果表明提出的方法可以有效地提高跨设备机械故障诊断精度,达到了平均99.47%的诊断精度。并解释了哪些频率点对模型的决策起到关键作用。
展开更多
关键词
条件度量
机械故障诊断
迁移学习
SHAP
在线阅读
下载PDF
职称材料
题名
基于视频的车站客流风险状态智能辨识方法
1
作者
耿旭
王艳辉
高凡茜
绳可欣
机构
北京交通大学
交通
运输学院
北京交通大学
北京
市城市
交通
信息智能感知与服务工程技术研究中心
北京交通大学
城市轨道
交通
运营安全管理技术及
装备
交通
运输行业研发中心
载运
装备多
源
动力系统
教育部
重点
实验室
(
北京交通大学
)
出处
《中国铁路》
北大核心
2025年第9期139-150,158,共13页
基金
国家重点研发计划项目(2020YFB1600701)。
文摘
随着轨道交通网络的扩展和车站客流量不断增加,如何应对日益增长的客流压力、保障乘客安全已成为轨道交通正常运营的关键核心问题。在人工智能、视频分析技术快速发展的背景下,提出基于视频数据的智能客流风险识别方法;提出包括客流速度、密度、持续时间和车站结构、环境、乘客状态等共同作用下的客流风险影响要素体系,构建基于风险要素的车站客流风险定量等级划分方法;采用YOLOv8与ByteTrack结合的目标检测算法、Alpha Pose人体姿态估计和ST-GCN时空图卷积网络实现对客流风险状态的智能辨识,其中乘客状态和客流密度识别准确率分别达到98.49%和96.67%,为车站的客流风险量化管理与安全运营提供方法与技术支撑。
关键词
轨道交通
车站客流
视频图像识别
乘客状态
风险辨识
Keywords
rail transit
passenger flow at stations
video image recognition
passenger status
risk identification
分类号
U285.4 [交通运输工程—交通信息工程及控制]
在线阅读
下载PDF
职称材料
题名
一种基于条件度量迁移学习的机械故障诊断可解释方法
被引量：
3
2
作者
路飞宇
佟庆彬
姜学东
徐建军
霍静怡
机构
北京交通大学
电气工程学院
载运
装备多
源
动力系统
教育部
重点
实验室
(
北京交通大学
)
出处
《仪器仪表学报》
EI
CAS
CSCD
北大核心
2024年第7期250-262,共13页
基金
中央高校基本科研业务费专项资金(2023JBZY039)
北京市自然科学基金(L211010,3212032)项目资助。
文摘
迁移学习技术可以减小源域和目标域特征之间的分布差异。然而,在跨设备场景下,现有研究往往难以衡量并缩小不同设备间数据的条件分布差异,导致模型在源域获得的知识不能很好地迁移到目标域。此外,在实际的故障诊断场景中,决策者通常需要理解模型为何将某些数据归类为特定故障类型。由于深度学习模型的复杂性,其往往被看作是“黑匣子”,难以解释其内部工作机制。为了克服上述缺点,提出一种基于条件度量迁移学习的可解释故障诊断方法。首先利用Hilbert包络谱分析将时域信号转为频域信号;其次搭建深度孪生卷积神经网络和分类器,从频域中提取源域和目标域数据中的高维特征并做分类训练;然后将可解释的条件核Bures度量嵌入到无监督学习的损失函数中,提高条件分布下的特征适配能力和模型可解释性;最后利用博弈论中的SHAP方法对模型诊断结果做基于包络谱的事后可解释分析。在3种设备的6种跨设备轴承故障诊断任务中开展试验,对所提方法和其他相关对比方法进行评估,结果表明提出的方法可以有效地提高跨设备机械故障诊断精度,达到了平均99.47%的诊断精度。并解释了哪些频率点对模型的决策起到关键作用。
关键词
条件度量
机械故障诊断
迁移学习
SHAP
Keywords
condition metric
mechanical fault diagnosis
transfer learning
SHAP
分类号
TH17 [机械工程—机械制造及自动化]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于视频的车站客流风险状态智能辨识方法
耿旭
王艳辉
高凡茜
绳可欣
《中国铁路》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
一种基于条件度量迁移学习的机械故障诊断可解释方法
路飞宇
佟庆彬
姜学东
徐建军
霍静怡
《仪器仪表学报》
EI
CAS
CSCD
北大核心
2024
3
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
