基于Elman动态神经网络的公交到站时间预测

以智能交通系统为背景,结合福州市区实际公交运行特性,在大量实测数据的基础上,提出基于Elman神经网络的公交车辆到站时间预测方法,并以福州市第312路公交车进行验证,结果表明该模型比BP神经网络的预测模型计算量小、能够较准确地进行公交到站时间预测。     

新能源公交车电池荷电状态预测模型

为了优化充电策略，缓解里程焦虑，提出一种新能源公交车电池荷电状态预测模型。这一模型可以根据车辆内部因素和外部因素，预测下一趟新能源公交车的电池荷电状态消耗量。在实际工作中，新能源公交车电池荷电状态同时受到车辆内部因素和外部因素的影响。通过机器学习方法，对十辆新能源公交车1 a的数据进行分析，提取若干车辆内部因素作为特征，并通过对车辆行驶环境进行分析，提取若干外部因素作为特征。这一模型采用主动状态跟踪-长短时记忆神经网络，可以主动学习特征中的时间依赖性，筛选出有用信息。通过对模型结构的删减验证了模型的有效性，模型均方根误差为3.812%。     

基于逆传播算法的十字路口交通流预测

采集十字路口为期1个月的数据样本,运用逆传播算法建立预测模型,预测该十字路口的交通流。Matlab仿真试验表明,与常规模型相比,逆传播算法的预测模型不但预测精度有明显提高,并且训练时间较短。     

一种综合应用物联网技术的智能公交站牌设计

介绍一款智能公交站牌,综合应用RFID辅助定位、GPS定位系统、GPRS分组以及基于IEEE802.15.4标准的低功耗个域网协议等物联网技术,扩展使用CDMA、3G和数据传输单元技术、局域网技术,与智能公交系统相连接,进行信息交换和通信,以实现对公交车的智能化识别、定位和跟踪,动态显示所有停靠该站点的公交线路到站信息,为候车乘客提供实时准确的车辆到站预报。     

基于TRIZ、可拓学与实例推理的创新问题解决模型初探

经典TRIZ的工具之间存在大量的重叠性,它们从不同侧面提供了分析和解决创造性问题的启发思路,但它们并未提供明确的问题解决机理;在经典TRIZ的运用过程中,存在问题转换和一般解转换的"两个转换"困难。为寻求上述两个基本问题的解决思路,首先采用可拓学的基本原理与方法,分别针对矛盾分析和解决以及物场分析模型及标准解法等主要TRIZ工具,构建了相对应的不相容问题和对立问题模型,并简要地介绍了基于可拓学的问题解决一般机理;其次,运用可拓学的基元分析方法和矛盾问题模型,初步构造了一个基于可拓学的TRIZ-CBR实例检索模型;最后,再此基础上,依托可拓学的问题解决机理和可拓变换方法,初步构造了一个基于可拓学的TRIZ-CBR实例修改模型。相关模型的建立可为有效综合应用TRIZ等创新方法奠定初步的理论基础。     

基于改进灰色神经网络的液压泵寿命预测

改进了GM(1,1)模型,提高了其精度和适应范围;将改进的GM(1,1)模型与神经网络预测模型相结合来构建灰色神经网络组合预测模型;提出了基于支持向量机的液压泵寿命特征启发式搜索策略,以液压泵寿命特征参数特征集的交叉验证错误率为评价指标,从液压泵的特征参数（振动、压力、流量、温度、油液信息等）中选取寿命特征因子;运用小波阈值降噪法进行降噪处理,提取典型的小波包能量特征作为模型的输入。以齿轮泵为例,将改进的灰色神经网络预测模型与原始GM(1,1)模型和改进GM(1,1)模型比较可知,灰色神经网络预测模型预测精度最高,达到98.42%。     

GM-Markov综合模型在汽车货运量预测中的应用

针对传统GM预测模型的局限性,介绍了改进的GM-Markov综合预测模型的原理,应用范围及优缺点。运用GM-Markov综合预测模型对上海市汽车货运量进行了预测分析,结果表明:灰色—马尔可夫预测模型即能预测汽车货运量参数随机时间序列数据的总体趋势,又能适应波动性较大的随机序列变化,灰色—马尔可夫预测模型预测精度高于GM(1,1)模型的预测精度。该方法可以作为汽车货运量预测的理想工具。最后,就GM-Markov综合预测模型需进一步研究的问题进行了讨论,给出建议。     

基于卷积神经网络的GTAW熔透预测

焊接熔池信息能反映熔透状态,但建立熔池与熔透状态的关系十分困难。针对该问题,提出一种基于卷积神经网络(Convolution neural networks,CNN)的GTAW背面熔透预测模型。通过基于被动视觉的熔池二维图像采集,建立了用于CNN网络训练和测试的训练集和测试集。其次建立了CNN背面熔透预测模型,优化了学习率、batch-size、迭代次数等网络参数。研究发现:第一层卷积核尺寸为9×9,最后一层含有64个卷积核使模型在预测准确率和训练时间上综合表现达到最佳。使用训练集数据训练模型,将训练完成的模型在测试集上对背面熔透进行预测,取得了高于96%的预测准确率。通过对预测模型的特征映射进行可视化分析,模型是通过熔池边缘,反光点位置和熔池尾部等特征来预测背面熔透情况。     

基于数据驱动的铣削刀具寿命预测研究

建立了一种基于轨迹相似性和支持向量回归机的集成预测模型,可以预测刀具的寿命。对试验采集到的信号进行了时域和小波分析,研究了信号特征量与刀具磨损之间的关系。计算了45个特征量与刀具磨损之间的相关系数,最终选择5个特征向量作为预测模型的输入向量。样本刀具1、2和3在稳定加工阶段的寿命预测精度分别为88.5%,87.5%和90.5%。并同其他模型进行了对比,结果表明,所提出的集成模型在刀具剩余使用寿命预测方面预测精度更优。     

基于卷积神经网络与双向长短时记忆网络组合模型的短时交通流预测

及时准确的交通流信息对于智能交通系统的实现至关重要。针对现有预测方法不能充分利用交通流的时空特征,进而不能很好地提取交通流序列内在规律的问题,提出了一种结合卷积神经网络(CNN)和双向长短时记忆网络(BiLSTM)的深度学习预测模型(C-BiLSTM),在网络底层利用一维CNN来捕获观测点交通流数据的空间特征,然后输入到双向LSTM网络提取时间周期特征,最后由全连接层输出预测结果。使用美国交通研究数据实验室的实测交通数据进行验证,结果表明,所提出的C-BiLSTM组合模型具有更高的准确性,其性能相比双向LSTM网络预测模型提升了1. 6%,相比单向LSTM网络预测模型提升了6. 6%,是一种高精度的交通流预测模型。     

面向混沌时间序列预测的隐式特征提取算法

混沌时间序列预测研究的2个焦点:一个是增加预测模型的复杂度,以面向控制、水文、气象,脑电生理学等研究背景下的具体预测需求;另一个是引入和改进模式识别领域里的特征提取算法,从而降低混沌数据的预测难度,以提高预测精度。采用经验模态分解和独立成分分析算法,改进线性和非线性特征的提取。并在解析意义下,给出了一种新颖的隐式特征表达。在不改进预测模型的前提下,提出了一种混沌序列隐式特征提取算法。采用经典的Mackey-Glass仿真、比利时皇家天文台太阳黑子数,以及密西西比河实测流量数据实验表明,该方法提高了模型预测精度。     

基于 sEMG 信号的关节力矩 NARX 预测模型

为解决利用力矩传感器控制肌力训练设备所带来的滞后性,利用表面肌电信号( sEMG)超前于运动的特性,设计了 基于一组拮抗肌表面肌电信号的关节力矩预测模型。 首先搭建康复训练设备为信号采集和实验验证提供条件。 将 sEMG 经 过预处理,选择 sEMG 信号的方差特征作为神经网络输入,利用带有外部输入的非线性自回归(NARX)模型的动态循环神经 网络,分别建立了基于关节力矩实际值的超前多步(MSA)预测模型和基于模型预测输出(MPO)的预测模型,通过等张和等 长测试实验,比较了 MSA 和 MPO 模型的力矩预测性能。 实验结果表明,两种模型输出预测值和实际值之间都有极强关联性 (皮尔逊相关系数均大于 0. 95) 。 随着超前预测的步数增加,MSA 模型的预测精度降低,但是超前预测的时间增大。 在等张 和等长测试中,当超前步数分别小于 29 和 35 时,MSA 预测精度显著高于 MPO( p<0. 05) ,但 MPO 模型在成本和体积上更具 优势。 综上所述,两种模型均可以准确预测关节力矩,在实际康复训练设备控制中,可根据应用需求选择不同的力矩预测 模型。     

改进灰色时序模型的石化装备齿轮系统磨损预测研究

重载齿轮系统在大型石化工业生产装置中应用广泛,由于石化装置长周期运行的特点,且装置运行工况恶劣,齿轮系统磨损严重,对其磨损状态的监测和预测分析可及时掌握齿轮系统运行状态,确保装置的安全可靠运行。灰色系统模型可预测齿轮系统磨损量的变化,而时间序列模型可对磨损量预测数据的残差序列进行分析,将两者联立建立新的预测模型,达到综合调整和修正预测数据的目的。然后,改进灰色模型权重系数μ,以预测值和原始值的离差平方和作为考察指标,确定最佳权重系数μ_(opt),提高灰色时序预测精度。通过某石化企业在用装置的重载齿轮系统铁谱监测数据作为样本,检验改进灰色时序预测模型效果,结果表明该预测模型的效果优于传统灰色时序预测模型。     

基于实验数据训练的切削力组合预测模型

为提高切削力预测模型的准确性和稳定性,采用最优权值组合预测模型,以实验数据训练为基础,将人工神经网络模型、高斯过程回归模型及切削力经验公式这3个单一预测模型进行组合,对机械加工过程中的切削力进行预测。应用3种误差分析方法(均方根误差、平均绝对百分比误差及平均绝对误差)对组合预测模型进行评价,以此验证组合模型的稳定性和准确性。结果表明,相比于单一预测模型,组合算术平均模型所得结果与实验数据吻合良好,具有较高的精度和稳定性,对于切削力的预测具有参考价值。     

色谱保留时间预测算法分析与比较

随着对复杂生物体系蛋白质组质谱数据挖掘和蛋白质功能分析的深入进行,科学家迫切需要获得大量蛋白质的信息,依赖于LC-MS的蛋白组学技术为此提供了新的思路和解决办法。肽段的色谱保留时间已经被用于了蛋白质的鉴定和定量工作中。目前,研究人员已经建立了多种肽段色谱保留时间预测模型,通过分析肽段的理化性质,色谱条件的变化,预测肽段的色谱保留行为。SSRCalc和ELUDE是目前使用较广泛的两个预测模型。本文以标准蛋白酶切产物为研究对象,分别采用两种预测模型对肽段的保留时间进行预测,同时对这些肽段进行了LC-MS/MS分析,得到实验保留时间,通过比较分析肽段的预测保留时间和实验保留时间,评价同一色谱条件下,两个预测模型的准确性。结果表明,运用SSRCalc模型,选择孔径100的C18色谱柱,流动相含有0.1%甲酸的条件下,建立的拟合曲线判定系数为0.85,是两个预测模型中最优的。     

基于可拓理论复杂型腔模具设计方案综合评价方法

针对设计方案评审过程中存在着交错耦合关系如何确立等问题,运用可拓学理论,通过对模具设计方案物元模型、关联函数、权重和隶属度等关联关系的研究,构建了基于可拓理论复杂型腔模具设计方案综合评价模型。并通过设计实例,从成型工艺、模具结构、模具材料、模具成本等4个方面对其设计方案进行了综合评价。评价实例证明了该评价方法具有操作简单、实用性强等特点。     

基于LSTM的刀具磨损预测模型

对刀具每次走刀后的磨损量与走刀过程中的传感器信号进行研究,提出基于长短时记忆神经网络(LSTM)的刀具磨损预测模型。使用LSTM模型自主提取时间序列数据特征,将多个传感器信号作为模型输入自动化处理,避免了人工提取特征出现的信息丢失,充分把握了实验数据的长时依赖性和多维度、多长度特征。经实验对比分析表明：LSTM模型在刀具磨损预测结果上具有显著优势。     

一种多轴载荷下的疲劳寿命预测模型

提出了一种多轴疲劳载荷下的疲劳寿命预测模型,该模型运用Von mises等效应力应变之间的关系,将单轴Manson~Coffin方程的寿命预测模型转化为多轴疲劳应力~寿命预测模型。以2A12铝合金为分析研究对象,依据相关的经验公式以及运用有限元仿真方法得出寿命预测模型的相关常数,从而获得寿命预测曲线。通过和实验结果比较可知,所提出的多轴寿命预测模型具有较好的预测精度,能有效的预测多轴载荷下的疲劳寿命。     

基于自适应动态无偏最小二乘支持向量机的刀具磨损预测建模

由于训练样本数量有限,滑动时间窗长度以及监测模型不能自适应调整和更新等因素,传统基于机器学习的刀具磨损预测模型存在精度和效率较低等问题,因此提出了一种基于自适应动态无偏最小二乘支持向量机（ADNLSSVM）的刀具磨损预测模型。采用公开数据库中的铣削加工数据集,通过时频域分析和小波包分解等手段从振动信号中提取特征量,并进一步利用相关性分析从中选择有效特征量作为模型输入。试验结果表明该方法所建模型具有较高的建模效率和预测精度。     

基于优化的组合协方差高斯过程的表面粗糙度预测

加工过程中产生的表面质量(如粗糙度)的数据序列包含多种特征,为能捕捉更多的数据特征,提高表面粗糙度的预测精度,提出采用组合协方差的高斯过程回归(CGPR)模型预测表面粗糙度,来捕捉数据特征中的线性特征和非线性特征;为获得CGPR模型的最佳超参数组合,采用人工蜂群(ABC)优化算法对超参数寻优,形成人工蜂群—组合协方差的高斯过程回归(ABC-CGPR)模型。通过45钢的车削试验,基于不同切削用量和刀具结构,建立了各类不同组合协方差的ABC-CGPR预测模型和单一协方差的ABC-GPR预测模型,并对比其预测性能,结果展示CGPR预测模型相比单一的GPR预测模型具有更高的预测精度,其中线性协方差函数与Matern协方差函数组合的预测精度最高,为实际加工中选取满意的预测模型提供了有效的指导。