Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "Chen, Xiaohui" wg kryterium: Autor

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-2 z 2
    Tytuł:
    Saturated arterial coordinate control strategy optimization considering macroscopic fundamental diagram
    Autorzy:
    Lin, Xuanhua
    Lin, Xiaohui
    Chen, Kelian
    Powiązania:
    https://bibliotekanauki.pl/articles/2173927.pdf
    Data publikacji:
    2022
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    traffic state
    MFD
    macroscopic fundamental diagram
    urban road network
    traffic flow
    stan ruchu
    diagram
    miejska sieć drogowa
    przepływ ruchu
    Opis:
    MFD is widely used in traffic state evaluation because of its description of the macro level of urban road network. Aiming at the control strategy optimization problem of urban arterial road network under saturated traffic flow state, this study analyzes the MFD characteristics of a typical three-segment "ascending-stable-descending segment" and its advantages in characterizing the macroscopic operation efficiency of the road network, a arterial coordination control strategy considering MFD is proposed. According to the characteristics of MFD, it is proposed that the slope of the ascending segment and the capacity of the road network represent the operating efficiency of the free flow and saturated flow of the road network respectively. The traffic flow and density data of road segment are obtained by the road detector through Vissim simulation software. Aiming at the problem that the MFD is too discrete due to unreasonable control strategy or traffic condition, and in order to extract the MFD optimization target indicators, it is proposed to extract the key boundary points of the MFD by the “tic-tac-toe” method and divide the MFD state by Gaussian mixture clustering. The genetic algorithm integrates the multi-objective particle swarm algorithm as the solution algorithm, and the simulation iterative process is completed through Python programming and the com interface of Vissim software. In order to verify the validity of the model and algorithm, the actual three-intersections arterial road network is used for verification, and the model in this study is compared with the optimization model without considering MFD, the model solved by traditional algebraic method, and the optimization model solved by typical multi-objective particle swarm. Results show that the model in this research performs well in efficiency indicators such as total delay, average delay, and queue coefficient. At the same time, the MFD form has highest stability, the control effect is the best in the saturated state. The solution algorithm GA-MOPSO also has a better solution effect.
    Źródło:
    Archives of Transport; 2022, 62, 2; 73--90
    0866-9546
    2300-8830
    Pojawia się w:
    Archives of Transport
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Real-time equipment condition assessment for a class-imbalanced dataset based on heterogeneous ensemble learning
    Ocena stanu sprzętu w czasie rzeczywistym dla zbiorów danych o niezrównoważonym rozkładzie w klasach. Metoda oparta na uczeniu zespołowym
    Autorzy:
    Chen, Xiaohui
    Zhang, Zhiyao
    Zhang, Ze
    Powiązania:
    https://bibliotekanauki.pl/articles/300613.pdf
    Data publikacji:
    2019
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    condition assessment
    heterogeneous ensemble learning
    genetic algorithm
    class-imbalanced
    ocena stanu
    uczenie zespołowe
    algorytm genetyczny
    niezrównoważony rozkład w klasach
    Opis:
    This study proposes an ensemble learning model for the purpose of performing a real-time equipment condition assessment. This model makes it possible to plan desired preventive maintenance activities before an unexpected failure takes place. This study focuses on the class-imbalanced problem in equipment condition assessment research. In reality, equipment will experience multiple conditions(states), most of the time remaining in the normal condition and relatively rarely being in the critical condition, which means that, from the perspective of data modelling, the distribution of samples is highly imbalanced among different classes(conditions). The majority of samples belong to the normal condition, while the minority belong to the critical condition, which poses a great challenge to the classification performance. To address this problem, a genetic algorithm-based ensemble learning model is presented. Furthermore, a self-updating learning strategy is presented for online monitoring, contributing to adaptability and reliability enhancement along with time. Many previous studies have attempted feature extraction and to set thresholds for equipment health indicators. This study has an advantage of omitting these steps, as it can directly assess the equipment condition through the proposed ensemble learning model. Numerical experiments, including two types of comparison studies, have been conducted. The results show the greater effectiveness of our proposed model over that of previous research in terms of the stability and accuracy of its classification performance.
    W pracy przedstawiono model uczenia maszynowego opartego na zespołach niejednorodnych klasyfikatorów (ensemble learning), który pozwala przeprowadzać ocenę stanu sprzętu w czasie rzeczywistym. Model ten umożliwia zaplanowanie niezbędnych czynności konserwacji profilaktycznej przed wystąpieniem niespodziewanego uszkodzenia. Tematem pracy jest zagadnienie niezrównoważonego rozkładu w klasach poruszane w badaniach dotyczących oceny stanu sprzętu. W warunkach rzeczywistych, sprzęt chrakteryzuje wiele różnych stanów, przy czym przez większość czasu pozostaje on w stanie normalnym, a relatywnie rzadko znajduje się w stanie krytycznym, co oznacza, że z punktu widzenia modelowania danych, rozkład prób w poszczególnych klasach (stanach) jest wysoce niezrównoważony. Większość prób należy do stanu normalnego, a mniejszość do stanu krytycznego, co stanowi duże wyzwanie jeśli chodzi o wydajność klasyfikacji. W celu rozwiązania tego problemu, przedstawiono model uczenia zespołowego oparty na algorytmie genetycznym. Ponadto zaprezentowano samoaktualizującą się strategię uczenia wykorzystywaną do monitorowania online, która wraz z upływem czasu zwiększa adaptacyjność i niezawodność modelu . W wielu poprzednich badaniach podejmowano próby ekstrakcji cech oraz ustalania progów dla wskaźników stanu sprzętu. Zaletą przedstawionej metody jest to, że pozwala ona pominąć te etapy i bezpośrednio oceniać stan sprzętu za pomocą proponowanego modelu uczenia zespołowego. Przeprowadzono eksperymenty numeryczne, w tym dwa rodzaje badań porównawczych. Wyniki pokazują większą skuteczność proponowanego modelu w stosunku do poprzednich badań pod względem stabilności i trafności klasyfikacji.
    Źródło:
    Eksploatacja i Niezawodność; 2019, 21, 1; 68-80
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-2 z 2

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies