两相邻路口交通信号的协调控制

传统路口的控制算法大多研究单个路口的信号控制情况.该文根据路口之间的相互关 系,利用高阶广义神经网络及模糊推理提出了两个相邻交通路口的协调算法.利用此算法设计 的交通信号控制器,可以有效地协调两相邻路口的红绿灯信号,在一定程度上改善了交通路口 的交通状况.     

结合Q学习和模糊逻辑的单路口交通信号自学习控制方法*

针对城市交通系统的动态性和不确定性,提出了基于强化学习的信号交叉口智能控制系统结构,对单交叉口动态实时控制进行了研究。将BP神经网络与Q学习算法相结合实现了路口的在线学习。同时,针对交通信号控制的多目标评价特征,采用基于模糊逻辑的Q学习奖惩信号设计方法,实施对交通信号的优化控制。最后,在三种交通场景下,应用Paramics微观交通仿真软件对典型十字路口进行仿真实验。结果表明,该方法对不同交通场景下的突变仍可保持较高的控制效率,控制效果明显优于定时控制。     

基于模糊神经网络的机器人滑模自适应控制

滑模控制（SMC）响应快，对系统参数和外部扰动呈不变性，可保证系统的渐近稳定性，但其缺点是控制存在很强的抖动；而模糊神经网络（FNN）具有模糊系统和神经网络共同的特点。将滑模控制和模糊神经网络控制有机结合，利用简单得到的学习信号对模糊神经网络进行在线学习，通过平滑切换函数实现直接自适应控制策略。对两连杆机械手的仿真研究表明，在存在模型误差和外部扰动的情况下，该方案既能达到高精度快速跟踪的目的，又能有效减小滑模控制的抖动问题。     

基于控制性能的MIMO非线性系统动态面控制

针对一类不确定非线性MIMO(multiple-input multiple-output)系统,在动态面控制方法的基础上,提出了自适应跟踪控制方案.通过引入性能函数和输出误差转换,保证输出信号具有指定的跟踪速度、跟踪误差、最大超调量.为了避免控制奇异问题,采用神经网络直接逼近期望控制信号.该方案无需估计神经网络的权值,仅对1个参数进行自适应律设计.理论证明了闭环系统所有信号有界,仿真结果验证了所提方案的有效性.     

多机器人动态编队的强化学习算法研究

在人工智能领域中，强化学习理论由于其自学习性和自适应性的优点而得到了广泛关注．随着分布式人工智能中多智能体理论的不断发展，分布式强化学习算法逐渐成为研究的重点．首先介绍了强化学习的研究状况，然后以多机器人动态编队为研究模型，阐述应用分布式强化学习实现多机器人行为控制的方法．应用SOM神经网络对状态空间进行自主划分，以加快学习速度；应用BP神经网络实现强化学习，以增强系统的泛化能力；并且采用内、外两个强化信号兼顾机器人的个体利益及整体利益．为了明确控制任务，系统使用黑板通信方式进行分层控制．最后由仿真实验证明该方法的有效性．     

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。     

基于神经网络的周期扰动非线性系统自适应渐近跟踪控制

针对一类具有周期扰动和输入时滞的不确定非线性系统,提出一种基于神经网络的自适应动态面控制方案.将径向基函数神经网络和傅里叶级数展开结合,构造一种混合函数逼近器来逼近系统中未知的周期扰动函数.通过引入一个积分项解决输入时滞问题,同时采用带有非线性滤波器的动态面控制方法,避免自适应反推控制方法中普遍存在的复杂性爆炸问题.所提出的神经网络控制方案能够确保闭环系统中所有信号是半全局有界的,并且系统输出能渐近地跟踪给定的参考信号.两个仿真结果验证了所提出的控制方案是有效的.     

采用遗传算法训练对角递归神经网络预测控制器

本文提出了一种基于广义预测控制的神经网络预测控制方案．预测控制器由对角递归 神经网络预测控制器和前向神经网络静态补偿器组成．两种神经网络均采用遗传算法进行训 练．仿真实验表明,对于带纯时延的非线性被控对象,采用遗传算法设计的对角递归神经网 络预测控制器具有令人满意的控制性能．     

一类非线性系统的稳定神经网络自适应控制

利用神经网络作为非线性系统的模型，研究了一类非线性系统的神经网络自适应控制问题，设计出的自适应控制器具有如下的特点：（１）网络仅值是基于参考误差信号学习的投影算法来调节，这样可保证权值的有界性；（２）为了减小神经网络参数估计误差对跟踪误差的影响，提出了根据参考误差信号实时修正神经网络输入的方法。仿真结果对该控制方案进行了验证。     

智能交通在城市交叉口控制的应用

当前路口的信号灯控制算法大都还是研究单个路口的信号控制情况,但是单个路口的最优化之和并不代表整个城市交通控制的最优化,而必须对城市交叉口的上下游进行一体控制,实现整体交通流量的最优化。本文通过对上游相邻多个路口进行监测,结合历史数据进行建模,从而制定下游路口的信号灯方案,以保证车流能以最少的时间通过相邻的几个路口。     

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.     

基于神经网络的机器人自学习控制器

提出一种神经网络与PID控制相结合的机器人自学习控制器.为加快神经网络的 学习收敛性,研究了有效的优化学习算法.以两关节机器人为对象的仿真表明,该控制器使机 器人跟踪希望轨迹,其系统响应、跟踪精度和鲁棒性优于常规的控制策略.     

城市交通信号的ANN自校正预测控制

提出一种基于人工神经网络的城市交通信号的自校正预测控制方法.充分考虑相邻交叉路口之间交通流的强耦合性,在此基础上建立关于队长的交通模型;其中,受控路口下一周期到达的车辆数用人工神经网络(ANN)来预测;通过该ANN还可获得确定最佳周期长度所需要的交通参量,因此还可预测下一周期的长度;上述预测值均用实测信息进行反馈校正,在此基础上即可给出带约束的预测控制算法,从而确定下一周期的控制策略.仿真实例表明该方法具有较好的控制效果.     

ATM communications network control by neural networks

A learning method that uses neural networks for service quality control in the asynchronous transfer mode (ATM) communications network is described. Because the precise characteristics of the source traffic are not known and the service quality requirements change over time, building an efficient network controller which can control the network traffic is a difficult task. The proposed ATM network controller uses backpropagation neural networks for learning the relations between the offered traffic and service quality. The neural network is adaptive and easy to implement. A training data selection method called the leaky pattern table method is proposed to learn precise relations. The performance of the proposed controller is evaluated by simulation of basic call admission models.     

一种基于FNN的高速网络拥塞控制策略

以ATM（asynchronous transfer mode)为研究对旬,同种基于模糊神经网络（fuzzy neural network,简称FNN）的流量预测和拥塞控制策略,拥塞控制是高速网络（如ATM）研究中的关键问题之一,传统的基于BP神经网络的流量预测方法因其收敛速度较慢且具有较大的误差,影响了拥塞控制效果,而模糊神经网络由于具有处理不确定性问题和很强的学习能力,很好地解决这一问题,最后通过仿真,比较和分析了基于BP神经网络和基于FNN方法和性能,证明此方法是有效的。     

结合状态预测的深度强化学习交通信号控制

深度强化学习（deep reinforcement learning,DRL）可广泛应用于城市交通信号控制领域,但在现有研究中,绝大多数的DRL智能体仅使用当前的交通状态进行决策,在交通流变化较大的情况下控制效果有限。提出一种结合状态预测的DRL信号控制算法。首先,利用独热编码设计简洁且高效的交通状态;然后,使用长短期记忆网络（long short-term memory,LSTM）预测未来的交通状态;最后,智能体根据当前状态和预测状态进行最优决策。在SUMO（simulation of urban mobility）仿真平台上的实验结果表明,在单交叉口、多交叉口的多种交通流量条件下,与三种典型的信号控制算法相比,所提算法在平均等待时间、行驶时间、燃油消耗、CO2排放等指标上都具有最好的性能。     

Artificial neural network based robot control: An overview

The current thrust of research in robotics is to build robots which can operate in dynamic and/or partially known environments. The ability of learning endows the robot with a form of autonomous intelligence to handle such situations. This paper focuses on the intersection of the fields of robot control and learning methods as represented by artificial neural networks. An in-depth overview of the application of neural networks to the problem of robot control is presented. Some typical neural network architectures are discussed first. The important issues involved in the study of robotics are then highlighted. This paper concentrates on the neural network applications to the motion control of robots involved in both non-contact and contact tasks. The current state of research in this area is surveyed and the strengths and weakness of the present approaches are emphasized. The paper concludes by indentifying areas which need future research work.     

传感网中数据驱动的多时段控制方法优化研究

为了克服“常峰型”交叉口多时段控制时段划分单因素划分方法的趋同性与多因素划分方法的过复杂性,提出了一种基于传感网数据采集技术与数据驱动理论的“常峰型”交叉口多时段控制时段划分优化方法。以传感网感知能力对传统交通流量数据增加维度,引入交叉口交通流三维向量,以向量的形式表示在某一交叉口某一段时间内的交通总流量的大小、方向及与冲突点的平均时间距离。运用时间序列自回归滑动平均算法对相邻向量间距离进行归并得出时段划分优化方案。以某城市实际交通流量数据为测试数据进行评价对比分析。结果表明,创新模型运用在“常峰型”交叉口,与传统方法相比其控制效果更加准确高效,交叉口全天总延误时间有效降低约6.04%。     

基于0-1整数规划交通信号控制优化模型及算法

基于城市交通拥堵的现实背景,主要研究了城市交通网络中信号灯的实时控制的优化问题。通过给出0-1整数规划的模型,定量研究了交通网络中路口信号相位之间的关系,并建立了交通信号控制适时优化模型对其进行优化。针对一组具有不同信号周期的路口信号灯,假设每个路口的相序已知,任意两个路口的相位差未知,综合考虑绿信比和相位差,寻找最优控制策略。在数学模型中,假定交通网络路口具有不同的信号周期和相位差预先未知,在各路口信号周期的最小公倍数的时间段内,通过决策信号灯在任意时间段内的状态来最小化总的车辆延迟时间。问题研究中涉及大量的0-1变量,通过定义内生、外生变量,形成了对各变量的有效约束,使模型在实际仿真实验中的计算复杂度大大减少。最后利用启发式算法对给出的算例进行仿真验证。