首页期刊导航|北京交通大学学报
期刊信息/Journal information
北京交通大学学报
北京交通大学
北京交通大学学报

北京交通大学

孙守光

双月刊

1673-0291

bfxb@bjtu.edu.cn

010-51688053

100044

北京西直门外上园村3号

北京交通大学学报/Journal Journal of Beijing Jiaotong UniversityCSCD北大核心CSTPCD
查看更多>>本刊是理工类综合性学术刊物，主要刊登北京交通大学的通信工程、交通信号控制、光纤技术、信息工程、计算机技术和软件及应用、土木工程、桥梁工程、建筑学、机械与电子控制、铁道机车车辆、电气工程、交通运输工程、运输管理，及应用数学物理化学等。读者对象为从事理论研究、工程开发的科研人员及相应的管理人员、有关高校的教师、研究生等。
正式出版
收录年代

    基于多智能体深度强化学习的多无人机辅助移动边缘计算轨迹设计

    徐少毅杨磊
    1-9页
    查看更多>>摘要：无人机(Unmanned Aerial Vehicle,UAV)辅助的移动边缘计算(Mobile Edge Computing,MEC)网络能够为地面用户设备(User Equipment,UE)提供优质的计算服务,但是为多无人机进行实时的轨迹设计仍是一个挑战.针对该问题,提出基于多智能体深度强化学习的轨迹设计算法,利用多智能体深度确定性策略梯度(Multi-Agent Deep Deterministic Policy Gradient,MADDPG)框架对无人机的轨迹进行协作设计.考虑到无人机有限的电池容量是限制无人机网络性能的重要因素,因此以无人机的能量效率之和为优化目标构建优化问题,联合优化无人机集群的轨迹和用户设备的卸载决策.每个智能体与边缘计算网络环境进行交互并观测自己的局部状态,通过Actor网络得到轨迹坐标,联合其他智能体的动作和观测训练Critic网络,从而改善Actor网络输出的轨迹策略.仿真结果表明:基于MADDPG的无人机轨迹设计算法具有良好的收敛性和鲁棒性,能够高效地提升无人机的能量效率;所提算法性能较随机飞行算法最高可提升120%,较圆周飞行算法最高可提升20%,较深度确定性策略梯度算法可提升5%～10%.

    无人机轨迹设计移动边缘计算强化学习多智能体深度确定性策略梯度

      原文链接:
    • 万方数据
    • 维普

    基于RailBERT的列控车载ATP测试案例事件抽取方法研究

    程烨李开成魏国栋
    10-20页
    查看更多>>摘要：在列车超速防护(Automatic Train Protection,ATP)车载设备的实验室测试中,测试案例的数量庞大、复杂性高且存在大量列控领域专业术语,现有方法和模型由于缺乏列控领域知识,难以准确解析其语境信息并自动生成详细的结构化表示.针对这一问题,提出一种基于铁路双向编码器表示(Rail Bidirectional Encoder Representations from Transformers,RailBERT)模型的测试案例事件抽取方法.首先,通过新词挖掘算法扩展列控领域的专业术语并构建语料库,在此基础上采用基于铁路领域全词掩码(Railway Whole Word Masking,RWWM)预训练任务训练针对铁路列控领域的RailBERT模型,以增强模型对领域语境的理解.然后,提出一种基于事件抽取的方法来自动提取车载ATP测试案例的预期结果,通过预定义事件类型及事件论元,全方位解析和表征预期结果.最后,将RailBERT与双向长短期记忆网络(Bidirectional Long Short-Term Memory,BiL-STM)和条件随机场(Conditional Random Field,CRF)结合,以增强模型捕捉序列信息和标签之间依赖关系的能力,从而更有效地从测试案例中提取事件.实验结果表明:在测试案例事件抽取数据集中,所提模型的F1值达到90.3%,能够较准确地从测试案例中提取预定义的事件,进而生成测试案例预期结果的结构化表示,为实现自动测试奠定基础.

    车载设备测试案例自然语言处理事件抽取预训练模型

      原文链接:
    • 万方数据
    • 维普

    基于CNN-LSTM混合模型的航空公司机票价格预测

    王夷龙张生润唐小卫张崇横...
    21-29页
    查看更多>>摘要：针对航空公司在竞争激烈的航线市场中对未来机票价格走势预测的需求,提出一种基于卷积神经网络(Convolutional Neural Network,CNN)和长短期记忆(Long Short-Term Memory,LSTM)网络的混合模型CNN-LSTM.在数据构建与输入部分,以航空公司间的竞争关系为核心,设计用于表征机票价格的通道数据结构;综合考虑影响机票价格波动的多种因素,分别构建表示航空公司属性、航班属性和日期属性的独立通道数据结构,并将这些通道数据进行整合,组成适用于卷积神经网络的多通道数据输入.在模型部分,利用一维卷积神经网络(one-dimensional Convolu-tional Neural Network,1D-CNN)对输入的多通道数据进行特征提取;通过长短期记忆网络捕捉数据中的时间依赖关系,实现对航线内不同航班未来机票价格的预测.将提出的CNN-LSTM混合模型与多种基线模型进行对比,并通过消融实验验证所选影响因素的有效性.实验结果表明:CNN-LSTM混合模型在预测性能上具有显著优势,与随机森林、支持向量机、单一卷积神经网络、单一长短期记忆网络以及向量自回归模型相比,预测平均绝对误差降低了18.74%～57.02%,平均绝对百分比误差降低了9.31%～22.16%;消融实验结果证实了影响因素的引入可以提升模型的性能.研究成果不仅能够为航空公司在票价制定与调整方面提供决策支持,也为机票价格预测领域的研究提供了新的思路和方法.

    深度学习机票价格预测时间序列卷积神经网络长短期记忆网络

      原文链接:
    • 万方数据
    • 维普

    非完美CSI下基于D2D通信的V2X频谱分配方案

    权仕鑫孙志国孙溶辰刘留...
    30-38页
    查看更多>>摘要：在设备到设备通信的车联网场景(Vehicle to Everything-Device to Device,V2X-D2D)下,信道的快速时变会导致基站(Base Station,BS)端通常无法获取完美信道状态信息(Channel State Information,CSI).为解决现有频谱分配方案不适用于 V2X-D2D场景的问题,考虑车对车(Vehicle-to-Vehicle,V2V)链路可靠性、最大发射功率、频谱复用的约束,建立V2X的场景模型与通信模型.明确了在满足V2V链路可靠性的前提下,最大化车与基础设施(Vehicle to Infrastruc-ture,V2I)链路的遍历容量的优化目标;在考虑信道快速时变影响的情况下,推导V2V链路的中断概率、V2I链路遍历容量的闭式表达式;针对一对一模式和一对多模式下的频谱分配问题,分别提出基于改进匈牙利算法的快速频谱分配方案和基于图着色-偏好列表的频谱分配方案.仿真结果表明:与现有算法相比,基于改进匈牙利算法的快速频谱分配方案接入率更高、复杂度更低,基于图着色-偏好列表的频谱分配方案也具有接入率、频谱利用率高的优势.

    无线通信设备到设备车联网频谱分配非完美信道状态信息

      原文链接:
    • 万方数据
    • 维普

    基于FasterNet和YOLOv8s改进的铁路异物入侵快速检测方法

    姜香菊冯海照李涛
    39-48页
    查看更多>>摘要：铁路轨道异物入侵对列车行车安全构成潜在威胁,情况紧急时可能导致列车脱轨倾覆和人员伤亡.针对现有铁路异物入侵检测模型在边缘设备上无法保证实时检测的问题,提出一种基于Faster-Net和YOLOv8s改进的铁路异物识别算法.首先,采用参数量更小的FasterNet网络替代YOLOv8s的CSPDarkNet53主干网络进行特征提取,以减小模型参数量和计算量.然后,结合FasterNet中部分卷积思想,设计FasterBlock模块替代YOLOv8s颈部的C2f模块,实现多尺度特征融合,从而进一步减小模型参数量.最后,为解决网络轻量化导致的模型检测精度下降问题,重新设计BiFPN-A特征融合结构,采用Fusion替代Concat操作进行张量拼接操作,通过FasterBlock模块和Fusion实现跳跃连接的特征图融合,并在每一层FasterBlock模块之前引入无参注意力机制SimAM,保证改进后的整体模型在实现轻量化的同时能够有效防止检测精度的大幅下降.结果表明:在精度仅损失0.2%的情况下,改进后的模型尺寸减小60.89%,模型参数降低61.8%,计算量减小45.1%.

    目标检测YOLOv8轻量化SimAM铁路异物

      原文链接:
    • 万方数据
    • 维普

    基于特征降冗余的Vanilla-YOLOv8铁路异物侵限检测方法

    杜开华许贵阳白堂博
    49-58页
    查看更多>>摘要：铁路异物侵限在线监测技术是铁路运行安全和旅客生命财产安全的重要保障.针对当前异物检测算法存在的遮挡目标检测、小目标检测不全不准等问题,提出一种基于YOLOv8的铁路异物检测算法Vanilla-YOLOv8.首先,结合VanillaNet中减少网络深度、短接分支以及通过改变深度训练策略和动态调节激活函数状态增强非线性能力的思想,改善YOLOv8模型中由于网络层数过多、短接分支过盛带来的模型退化、耗时以及深层小目标特征消失等问题,提高模型的特征提取能力和检测速度;然后,利用改进的局部卷积减少冗余特征的出现,确保特征能被充分利用;最后,在网络主干部分融入压缩激励(Squeeze-and-Excitation,SE)注意力机制,提高网络中关键特征的权重,加强对遮挡目标和小目标的特征表征能力和检测能力.实验结果表明:Vanilla-YOLOv8 算法的平均精度均值达到 98.7%,参数量下降 61.39%,识别速度达到 125 帧每秒(Frames Per Second,FPS),速度和检测精度较传统的图像处理技术有较大提升.研究结果可以为在线实时监测提供参考.

    异物侵限检测YOLOv8特征冗余VanillaNet

      原文链接:
    • 万方数据
    • 维普

    基于轻量化YOLOv8s的轨道扣件状态检测方法

    武福蒋鹏民李忠学杨喜娟...
    59-68页
    查看更多>>摘要：铁路基础结构设施长期遭受车辆荷载以及外在环境因素影响,沿线的轨道扣件容易产生弹条丢失、偏移、损坏等问题,严重威胁轨道线路的安全运营.针对目前依赖人工目测和采样抽检等主观性强的检修方式所导致的检测效率低、漏检率高以及在边缘设备上无法实时检测的问题,提出一种基于YOLOv8s的轻量化轨道扣件状态检测模型FTEL-YOLO,旨在提高检测准确率和实时性.首先,参考FasterNet-Block的思想设计C2f-Faster模块以减小模型参数量;然后,为解决网络轻量化导致的模型检测精度下降的问题,在空间金字塔池化(Spatial Pyramid Pooling Fast,SPPF)模块之后引入三元注意力机制(Triplet Attention),并引用EIoU作为边界框回归损失函数来提升对复杂背景下轨道扣件不同状态的特征提取能力;最后,对改进后的模型进行基于层自适应幅度的剪枝(Layer-Adaptive Magnitude-based Pruning,LAMP)操作,进一步压缩模型以减小冗余,提高其在边缘设备上的应用能力.实验结果表明:改进后的模型FTEL-YOLO检测精度仅损失0.3%,但计算量、参数量和模型大小分别下降63.1%、65.6%和66.2%,在保持准确性的同时实现了轻量化.

    深度学习故障检测轨道扣件YOLOv8s三元注意力机制模型轻量化

      原文链接:
    • 万方数据
    • 维普

    基于雷视融合的轨道三维点云重构研究

    何庆付彬王启航曾楚琦...
    69-77页
    查看更多>>摘要：针对激光雷达无法采集真实色彩信息、图像三维重构点云精度低等单一传感器面临的问题,提出一种融合激光点云与图像对轨道进行三维重建的方法.首先,通过平滑和映射紧耦合的激光雷达惯性里程计(Lidar Inertial Odometry via Smoothing and Mapping,LIO-SAM)进行实时轨道激光点云建图;然后,利用尺度不变特征变换(Scale Invariant Feature Transform,SIFT)算法提取多幅图像上的特征点,并通过匹配相同特征点的方式计算多视角图像之间的几何关系,由运动结构恢复(Structure From Motion,SFM)和多视角密集匹配(Multi-View Stereo,MVS)算法寻找、聚簇和生成包含轨道纹理色彩信息的稠密图像点云;最后,将轨道板的平面特征和钢轨线性特征作为索引特征,采用迭代最近点(Iterative Closest Point,ICP)算法将图像点云与激光点云进行合并配准,并以激光点云空间位置信息为基准,融合图像点云纹理色彩信息得到精准且真实感强的轨道三维模型.研究结果表明:相较于传统配准算法,改进算法的形状参数和最近邻点分布指标分别提升83.4%和85.9%;对轨道点云进行目标识别时,融合点云的总体精度较原始点云提升7.7%,在平均精度和均值交并等指标上表现更优;通过轨道融合点云计算得到的轨距、高差与实测数据的对比误差在3 mm以内,证明了轨道三维点云重构方法的有效性.

    铁路轨道建模雷视融合数据融合轨道点云模型

      原文链接:
    • 万方数据
    • 维普

    基于NNC-EPNet的多模态融合3D目标检测

    冯霞梁宇龙卢敏左海超...
    78-87页
    查看更多>>摘要：针对目前多模态融合3D目标检测方法难以有效融合目标对应图像特征的问题,通过引入近邻修正(Nearest Neighbor Correction,NNC)方法减轻目标点云稀疏和非目标点云的影响,提出一种多模态3D目标检测方法NNC-EPNet.首先,设计近邻修正模块NNC,利用增强后的近邻点云特征修正采样点云,减少点云数据中的噪声,增强目标点云特征,从而更好地融合目标图像特征;其次,设计基于Transformer的多模态特征融合编码器(Mutil-Modal Fusion Transformer,MFT),采用交叉注意力机制融合图像特征和点云特征,并且引入点云注意力机制聚合全局上下文信息,以提升特征表达能力;最后,分别在自动驾驶标准数据集KITTI和Waymo上进行对比实验.实验结果表明:NNC-EPNet方法在KITTI数据集上的平均精度均值达到 84.47%,与基线算法相比,在容易、中等和困难3种难度场景下的检测精度分别提高了 2.00%、3.25%和5.68%;在Waymo数据集上的加权平均精度达到74.48%,与基线算法相比,提升了2.49%.研究结果证明了设计的两个模块NNC和MFT能够有效提升3D目标检测性能.

    3D目标检测多模态特征融合点云修正注意力机制

      原文链接:
    • 万方数据
    • 维普

    基于改进Swin-Transformer的农村路面裂缝检测算法

    李禹萱宋伟东孙尚宇张晋赫...
    88-97页
    查看更多>>摘要：裂缝作为农村道路病害的主要组成部分,在检测过程中易受到路面阴影、杂草、泥土等干扰因素的影响,导致基于路面图像的自动化检测变得更加困难.为解决这一问题,提出一种基于Swin-Transformer主干网络的农村道路裂缝检测(Swin-Transformer Rural road Crack Detection,S-TRCD)模型.针对模型在裂缝特征提取过程中受到周围干扰物影响导致识别精度降低的问题,设计一种自适应的混合注意力机制模块CAS(Channel and Spatial),该模块能够在空间和通道两个维度上调整裂缝的权重,提高检测模型的抗干扰能力;针对多个裂缝在同一图像上尺寸差异较大导致识别困难的问题,改进了一种带注意力机制的多尺度目标检测头AHead(Attention Head),该检测头可以自适应调整网络感受野,实现多尺度的裂缝检测.为验证S-TRCD检测模型的检测性能,制作农村路病害基准数据集LNTU_RDD_NC,并对S-TRCD检测模型以及路面裂缝检测领域常用的改进YOLOv5、Faster R-CNN、YOLOv8检测模型进行训练.实验结果表明:S-TRCD检测模型在农村路面裂缝检测中较改进YOLOv5、Faster R-CNN、YOLOv8检测模型平均识别精度分别高 4.06%、12.12%、2.84%,证明在农村路面裂缝检测领域中,S-TRCD检测模型具有较好的检测性能.

    裂缝检测深度学习农村道路多尺度特征混合注意力机制

      原文链接:
    • 万方数据
    • 维普