基于神经网络的静电除尘器放电信号预测研究

为了降低人工神经网络(ANN)在静电除尘器(ESP)运行参数预测中的计算量,提出了一种改进的ANN预测模型.在分析了ESP运行参数的特点的前提下,运用K-means聚类算法确定其聚类中心,然后把所有的聚类中心作为神经网络的预处理层,并在此基础上建立了ESP放电信号的预测模型.仿真结果表明,该预测模型能够有效地对电除尘器放电信号进行预断,是其状态预判的一种有效手段.     

基于迭代学习与模型预测控制的交通信号混合控制方法

针对基于迭代学习控制的交通信号控制方法对于路网中存在的非重复性实时干扰不能进行有效处理的问题,本文在基于迭代学习控制的交通信号控制方法基础上,结合模型预测控制滚动优化和实时校正的特点,提出了一种基于迭代学习与模型预测控制的交通信号混合控制方法.该方法在有效利用交通流周期性特征改善路网交通状况的同时,可借助模型预测控制的优点对非重复性的实时干扰进行处理,从而进一步提高交通信号的控制效率.通过仿真实验对该方法的有效性进行了验证.实验结果表明,基于迭代学习与模型预测控制的交通信号混合控制方法能够更有效地均衡路网内的车辆密度,进一步提高了路网的通行效率.最后,本文还对该方法的收敛性进行了分析.     

人工神经网络在经济预测中的应用

首先简单介绍了人工神经网络 ANN(Artificial Neural Network)方法,然后通过实例应用与统计回归预测方法进行对比,表明 ANN预测方法是一种可行的,相当于非线性回归的方法,它对用线性回归方法预测效果较差的问题具有独特的优势.     

基于ANN模型的非线性自校正预测控制器

采用局部建模和线性化方法,提出了一种基于人工神经网络(Artificial Neural Network --ANN)模型的非线性自校正预测控制算法.仿真实例表明,所提控制策略可有效地 控制某些未知多变量非线性动态系统.     

基于最优控制的ANN驾驶员模型与仿真分析

在分析驾驶员行为特性和行为操纵的基础上 ,根据预测跟随理论 ,建立了驾驶员预测控制神经网络 (ANN)模型 ;提出了用最优控制方法确定ANN模型参数的计算方法 ,采用遗传算法 (GA)进行全局优化保证参数的收敛 .对飞机俯仰角操纵进行仿真计算 .结果表明 ,所建立的驾驶员模型考虑了系统的非线性因素 ,实现了多输入多输出功能 ,具有智能特点 .     

基于神经网络的非线性预测控制的进一步研究

介绍了适于具有纯滞后对象的基于人工神经网络的非线性多步预测控制，提出了具有自补偿功能的非线性预测反馈校正方法。仿真实验证明此方法大大增强了非线性预测控制的鲁棒性，改善了控制系统的动态和静态性能。     

多路口交通信号的优化控制

根据城市交通控制的非线性、随机性、模糊性和不确定性等特点，提出一种多路口信号优化控制方法。该方法通过神经网络技术对相关路口下一个周期的交通参数进行预测，并建立基于车辆排队的交通模型，同时，各路口的绿信比在周期内也可根据当前的交通状况实时调整，以克服预测模型失配和外界干扰的影响，最终达到了多路口交通畅通和平均车辆延误时间尽可能小的控制目标。仿真试验已证实了该方法的有效性。     

基于粗糙神经网络的交通优化控制模型

在运用粗糙集理论对路网节点所测得的历史交通流量进行量化分析的基础上,基于神经网络自学习的能力,研究了实时动态交通流的模型结构并给出了交通流优化控制方法。首先,针对交通流优化控制的影响因素过于庞大的问题,采用粗糙集理论对其进行量化分析,建立了规则简化的数据清洗模型;然后,在此基础上利用以新的流量时间序列和原来的流量时间序列分别作为模型的输入和输出,构造出交通流量预测的人工神经网络模型并且加以训练;同时给出基于粗糙神经网络模型的交通流优化控制系统的运行机理并设计出相应的网络拓扑模型;最后,用某交通观测站的实际网络流量对该模型进行验证。仿真结果表明,该模型具有较好地预测效果。     

特征结构下多变量预测控制系统的闭环反馈结构及其应用

文献[1]把多变量频域设计方法和单变量预测控制结合起来,提出了在特征结构下的多变量预测控制算法。本文在此基础上提出了特征结构下多变量预测控制系统的闭环反馈结构。利用此反馈结构不仅可有效地减少多变量预测控制算法的计算量及所需的存贮空间,而且还可以方便地判别此类预测控制系统的闭环稳定性。文中以火力发电厂中带汽-汽换热器的20万千瓦火电机组汽温系统为例进行了预测控制的仿真,仿真结果表明,用本文所提出方法设计的多变量预测控制系统,具有良好的控制效果。     

区间时间序列的混合预测模型

提出一种基于自回归求和移动平均(ARIMA) 与人工神经网络(ANN) 的区间时间序列混合模型, 并用混合模型分别对区间中值序列和区间半径序列建模. 采用Monte Carlo 方法生成模拟区间序列, 分别用ARIMA、ANN和混合模型3 种方法进行建模和预测实验, 并用统计学方法检验模型误差. 最后分别采用3 种方法对H市轨道交通某号线牵引能耗区间序列进行了建模和预测, 实验结果表明混合模型的建模精度和预测性能均优于单一模型.

     

基于人工神经网络预测控制的交通信号调度

在传统的交通信号控制中,信号的变化周期一般是固定的,由于车流量随时间的不确定性,引起了道路负荷的不均衡,容易造成道路拥塞或闲置现象。对基于人工神经网络的预测控制算法进行介绍。根据预测结果对整个路况进行决策判断,实现交通灯信号周期的自适应调节,从而实现交通流量的负荷均衡。根据城市交通系统的特点,设计一个基于神经网络的单个交叉路口的交通灯预测控制系统,得出相关不同时间段内的交通灯控制周期。分析表明,该方法能有效提高车辆通行效率,增强道路的吞吐能力。     

时变论域下红绿灯配时的模糊控制

针对交叉口日益拥堵,交通信号灯配时设置的不合理问题,提出一种基于时变论域的模糊控制方法,给出了交通信号灯的实时配时方案。该配时方法通过动态地调整信号周期和绿灯时长,以匹配多变的交通流状况,实现了实时控制。以长沙市某十字路口为例验证了该方案的有效性,结果表明：与定时信号配时方法相比,该配时方法更有效的缓解了交叉口交通拥堵状况,增强了路口通行能力,减少了车辆延误时间。     

监督交通量变化的多模型预测自适应交通信号灯控制

因信号设定时间和车流量动态行为引起的交通量变化是现代交通控制系统存在高度不确定性的主要因素.根据交通流量具有高峰期、正常期及突发超流量期的特点,本文提出了一种监督多模型交通流量建模方法,结合模型预测控制技术对交通信号灯进行优化式智能控制,对不同交通模式下交通流量的实时变化作出反应,在优化的模式下对关键主干道交叉路口的信号灯进行自适应调节,达到实现通行次数合理,车辆延误时间以及停车时间都减少的目的.仿真示例说明了该方法的有效性.     

Offset control of traffic signal using cellular automaton traffic model

This paper deals with an offset control of traffic signals using a cellular automaton traffic model. A stochastic optimal control method for distributed traffic signals is modified to achieve coordinated traffic signal control with the proposed offset control method. In the proposed coordinated traffic signal control method, splits of each cycle and common cycle length are calculated using a modified stochastic optimal control method, and then the offset is calculated using an estimation method based on a modified CA traffic model at intervals. Also, simulations are carried out at multiple intersections using a micro traffic simulator. The effectiveness of the proposed coordinated control method is proved by comparing with other traffic signal control methods such as pre-timed signal control, two types of the traditional coordinated control and distributed control.     

基于SA-FQL算法的区域交通控制方法

将模拟退火算法的Metropolis准则用于平衡模糊Q学习中探索和扩张之间的关系,提出基于Metropolis准则的模糊Q学习算法Simulated Annealing Fuzzy Q-learning（SA-FQL）。利用SA-FQL算法优化区域的公共周期,在给定周期的基础上再用SA-FQL算法优化区域中各干线相邻两路口的相位差,最后根据交通流量确定各路口的绿信比。TSIS仿真结果表明,相比基于Q学习和模糊Q学习的控制方法,该方法能显著提高学习速度和交通效率。     

Traffic signal timing using two-dimensional correlation,neuro-fuzzy and queuing based neural networks

Optimizing the traffic signal control has an essential impact on intersections efficiency in urban transportation. This paper presents a two-stage method for intersection signal timing control. First, the traffic volume is predicted using a neuro-fuzzy network called Adaptive neuro-fuzzy inference system (ANFIS). The inputs of this network include two-dimensional, hourly and daily, traffic volume correlations. In the second stage, appropriate signal cycle and optimized timing of each phase of the signal are estimated using a combination of Self Organizing and Hopfield neural networks. The energy function of the Hopfield network is based on a traffic model derived by queuing analysis. The performance of the proposed method has been evaluated for real data. The two-dimensional correlation presents superior performance compared to hourly traffic correlation. The evaluation of proposed overall method shows considerable intersection throughput improvement comparing to the results taken form Synchro software.     

Model predictive control for hybrid vehicle ecological driving using traffic signal and road slope information

This paper presents development of a control system for ecological driving of a hybrid vehicle. Prediction using traffic signal and road slope information is considered to improve the fuel economy. It is assumed that the automobile receives traffic signal information from intelligent transportation systems(ITS). Model predictive control is used to calculate optimal vehicle control inputs using traffic signal and road slope information. The performance of the proposed method was analyzed through computer simulation results. Both the fuel economy and the driving profile are optimized using the proposed approach. It was observed that fuel economy was improved compared with driving of a typical human driving model.     

基于模糊神经网络的交通干线分层递阶控制

针对城市交通干线协调控制的要求，提出了利用模糊神经网络分层递阶控制的方法。采用两层结构，第一层为控制层。针对单个路口，对下一时间段内路口各个方向的车流量进行预测。并在此基础上计算出下一时间段内各个路口的周期、相序、各个方向上的绿信比；第二层是协调层，综合主干方向的车流状况及各个路口的情况，采用模糊神经网络对各个路口的周期、相位及主干方向的绿信比进行调整。仿真结果表明，该方法优于定时控制，达到了减少车辆的停车次数和延误时间的目的。     

带有迭代学习外环的快速路入口匝道无模型自适应预测控制

针对快速路交通系统复杂时变以及难以建模的特点,首先,本文设计了基于无模型自适应预测控制的快速路入口匝道控制方案.其次,根据快速路交通系统具有重复性特点,本文在无模型自适应预测控制方法的基础上引入开环迭代学习控制,提出一种带有迭代学习前馈外环的无模型自适应入口匝道预测控制方案.相比无模型自适应预测控制方案,该方案可以利用迭代学习前馈控制器补偿系统可重复扰动,实现系统的完全跟踪.值得说明的是,预测控制器和学习控制器可以独立工作也可以联合工作.最后,文章给出了控制方案的收敛性分析,并通过交通流仿真验证了所提控制方案的有效性.