基于模糊网络的防车追尾控制器

解决防车追尾问题时,传统方法在于精确建模,跟实际情况往往不相符;采用模糊控制方法整体上符合刹车情况,但隶属度函数难以确定.为了解决以上问题,提出了模糊网络控制模型.详细介绍模糊网络模型的结构、各节点的运算关系,并给出该模型的使用方法.设计汽车刹车力度控制规则表,采用模糊网络设计防车追尾控制器.通过仿真结果可以看出,跟传统的模糊控制方法相比,模糊网络模型能够解决隶属度函数不容易确定的问题,生成的曲面光滑,能很好地满足防车追尾控制器的要求.     

分布式星球车定位及算法

外星球的未知环境要求星球车能够稳定且精确地自定位.我们首先引入了一种由中心计算机、星球车和无线传感器网络构成的分布式星球车定位系统模型.接着,结合粒子滤波和卡尔曼滤波的各自特点,提出了基于粒子滤波-扩展卡尔曼滤波(PKF)星球车导航的定位算法.PKF使用粒子滤波获取车体初始位置估计,之后使用扩展卡尔曼滤波继续跟踪星球车.当星球车遇到短暂无信号等情况时,PKF会根据系统状态在两种滤波算法中切换.仿真结果表明PKF定位算法具有很高的精度和稳定性以及较低的计算复杂度.     

基于人-车-路-环境综合计算的驾驶员期望车速

微观交通流仿真是智能运输系统研究与开发的重要手段。期望车速是微观交通流仿真研究的一个重要参数,受到驾驶员特性、车辆特性、道路条件、交通干扰、天气和承运任务急缓等多种因素的影响,准确确定期望车速是驾驶员行为研究的难点。从研究驾驶员心理-物理特性的角度出发,利用层次分析法,对驾驶员决策思维的递阶层次进行量化,建立基于人-车-路-环境综合计算的驾驶员期望车速模型。经过实测数据验证,该方法用于驾驶员期望车速模型的研究是可行的。     

车-地通信场景的一种混合建模方法研究

为了更好地建立高速列控系统分布式整体形式化描述,采用Agent理论和层次着色Petri网混合建模方法对中国列车控制系统车-地通信场景进行了研究。将车-地通信场景抽象为MAS,给出了场景中车-地主体Agent的内部推理过程和形式化定义,采用CPN Tools工具建立了层次化结构HCPN模型,使车-地通信过程、MAS整体行为以及车-地主体内部推理流程可视化。通过对模型状态空间报告的分析确保了模型的正确性,通过对模型进行多次模拟仿真,分析了该场景中不同通信故障率情况下非周期消息的重发间隔对控车实时性能的影响,验证了模型的可行性。     

基于Agent的无灯控交叉路口插车仿真研究

该文以Agent技术为基础，首先论述车辆Agent的基本结构，进而对车辆Agent经过无灯控路口时的插车策略进行描述，通过Agent的通信功能以及相互协调功能，使车辆Agent在经过路口时与实际驾驶员的行为相接近，对车辆经过无灯控路口时的插车行为进行仿真，仿真结果表明了使用Agent技术进行交通流系统仿真的可行性。     

车联网中车-车通信系统性能分析

车联网中的车-车通信系统,在未来智能交通中将发挥极其重要的作用,是人们未来生活中不可缺少的一个重要组成部分。文章在双瑞利衰落信道下,研究了使用发射天线选择（transmit antenna selection,TAS）和正交空时分组码（orthogonal space-time block code,OSTBC）的车-车通信系统的平均符号误码率（average symbol error probability, ASEP）性能。利用基于标量加性高斯白噪声（additive white Gaussian noise,AWGN）信道的方法,得到了车-车通信系统使用多进制正交幅度调制（multiple quadrature amplitude modulation,MQAM）和多进制相移键控调制（multiple phase shift keying modulation, MPSK）在接收端的信噪比（signal-to-noise ratio,SNR）表达式。然后对不同条件下的ASEP 性能做了数值仿真,仿真结果表明：随着发射天线或接收天线数的增加,系统的 ASEP性能得到了很好的改善,当使用 QPSK 调制,信噪比为6dB 时,（3,3;6）系统的误码率为2×10^-3,（4,4;8）系统的误码率为2×10^-4,（5,5;10）系统的误码率为2×10^-5。     

基于MapObjects的浮动车中心地图匹配综合算法开发

浮动车技术是一种新型交通流信息采集技术。以杭州市浮动车中心地图匹配算法开发为例,对地图匹配算法的实现步骤、组成进行了分析,基于MapObects组件技术,给出了部分功能的具体实现方法。     

深海底履带机器车建模及仿真研究

考虑深海底履带机器车的特殊工作环境、车体的特殊设计，建立了深海底履带机器车的动力学模型. 使用MADYMO多刚体动力学仿真软件，建立了深海底履带机器车结构模型，进行了仿真分析. 与实验结果进行了比较. 仿真结果验证了所建模型的有效性．     

自主车的运动仿真

在自主车的运动路径规划中,局部路径规划特别重要,而且是自主车的一项关键技术。该文提出了将自主式多智能体的任务和反应性行为模型嵌入到离散事件系统框架中作局部路径规划的方法,此方法克服了势场法（包括早期的虚力场法）的缺陷,为确保自主车运动路径规划的可靠性和合理性,该文就局部路径规划对自主车作运动仿真。     

车辆动力学网络实时解算系统开发

在论述11自由度车辆动力学模型的基础上,利用WinsockAPI开发了C/S结构的车辆动力学网络解算系统,并通过实车道路试验验证了模型的正确性。实际的应用表明,系统网络解算速度快、结果准确,满足了仿真过程对实时性、驾驶操作真实感的要求。该系统的开发解决了人-车-路虚拟仿真系统中车辆对驾驶人操作的准确、实时响应的问题。     

基于组合模型的网络流量预测

网络流量预测是网络管理的基础,网络流量受到多种因素影响,具有周期性、时变性和非线性,传统单一线性模型ARIMA或非线性模型SVM均难以准确描述网络流量复杂变化规律,为此,提出一种网络流量组合预测模型（ARIMA-LSSVM）。采用ARIMA对网络流量进行预测,捕捉其周期性变化趋势,采用LSSVM对网络流量非线性变化趋势进行预测,同时采用遗传算法对LSSVM参数进行优化,采用LSSVM两种预测结果进行融合,得到网络流量的最终预测结果。仿真实验结果表明,相对于单一网络流量预测模型,ARIMA-LSSVM提高网络流量预测精度,更能全面刻画网络流量变化趋势。     

基于网格划分的城市短时交通流量时空预测模型

准确的交通流量预测在帮助交通管理部门采取有效的交通控制和诱导手段以及帮助出行者合理规划路线等方面具有重要意义。针对传统深度学习模型对交通数据时空特性考虑不足的问题,在卷积神经网络（CNN）和长短时记忆（LSTM）单元的理论框架下,结合城市交通流量的时空特性,建立了一种基于注意力机制的CNN-LSTM预测模型——STCAL。首先,采用细粒度的网格划分方法来构建交通流量的时空矩阵;其次,利用CNN模型作为空间组件来提取城市交通流量不同时期下的空间特性;最后,利用基于注意力机制的LSTM模型作为动态时间组件来捕获交通流量的时序特征和趋势变动性,并实现交通流量的预测。实验结果表明,STCAL模型与循环门单元（GRU）和时空残差网络（ST-ResNet）相比,均方根误差（RMSE）指标分别减小了17.15%和7.37%,均绝对误差（MAE）指标分别减小了22.75%和9.14%,决定系数（R²）指标分别提升了11.27%和2.37%。同时,发现该模型在规律性较高的工作日的预测效果好于周末,且对工作日早高峰的预测效果最好,可见该模型可为短时城市区域交通流量变化监测提供依据。     

基于ACGRU模型的短时交通流预测

针对现有交通流预测模型未能充分利用交通流数据的时空特征以实现准确预测的问题,提出一种结合注意力机制的卷积门控循环单元预测模型（ACGRU）。该模型利用卷积神经网络（CNN）和门控循环单元（GRU）提取交通流的时空特征,然后使用注意力机制生成含有注意力概率分布的交通流特征表示,同时利用交通流的周相似性提取周期特征,将所有特征相互融合进行回归预测。在真实交通流数据集上的实验表明,提出的ACGRU模型具有更高的预测精度,预测误差相比其他预测模型平均降低了9%。     

改进的神经网络EPON动态带宽分配方法

动态带宽分配（DBA）是EPON的关键技术,根据数据业务流量的突发性调整了ONU授权时隙的顺序,提出了一种改进的轮询算法,构造了微粒群（PSO）优化的神经网络预测模型,提高了轮询周期内ONU新增数据的预测精度,从而保证了带宽分配公平性。仿真结果表明,该算法在优化带宽资源分配、降低平均数据时延方面均优于传统DBA算法。     

基于改进T-S模糊神经网络的交通流量预测

在萤火虫优化算法和T-S模糊神经网络的基础上,提出了一种采用萤火虫算法优化的T-s模糊神经网络预测交通流量的算法。该算法利用萤火虫算法得到T_s模糊神经网络的最优参数配置,从而能发挥T-s模糊神经网络泛化的映射能力。将该算法应用到实测交通流中进行算法的有效性验证,并与传统的T-s模糊神经网络和遗传算法优化的T-S模糊神经网络进行比较,仿真结果表明该算法具有更高的预测准确性,从而证明了该算法在交通流量预测领域的可行性和有效性。     

遗传算法优化延迟时间和嵌入维的网络流量预测

为了提高网络流量的预测精度,利用延迟时间（τ）和嵌入维（m）间的联系,提出一种遗传算法优化τ、m的网络流量预测模型（GA-PSR）。将τ和m作为遗传算法的个体,以网络流量预测精度作为目标函数,通过选择、交叉、变异等操作找到最优τ和m值,重构网络流量序列,采用BP网络对网络流量建立单步、多步预测模型。仿真实验结果表明,相对于对比模型,GA-PSR提高了网络流量的预测精度。     

基于FCM-LSSVM网络流量预测模型

为了提高网络流量的预测准确性,针对训练样本选取问题,提出一种训练样本选择的最小二乘支持向量机网络流量预测模型（FCM-LSSVM）。采用模糊均值聚类算法对网络充量数据进行了聚类分析,消除其中的孤立样本点,构建最小二乘支持向量机的训练集,然后将训练集输入到最小二乘支持向量机进行了学习,并采用人工蜂群算法对模型参数进行了优化,最后建立建立网络流量预测模型,并采用仿真实验对模型性能测试。仿真结果表明,相对于其他网络流量预测模型,FCM-LSSVM不仅提高了网络流量的预测精度,而且建模速度得以提高,获得了更加理想的网强流量预测结果。     

基于ACO-LSSVM的网络流量预测

为了提高了网络流量的预测精度,提出一种蚁群算法（ACO）优化最小二乘支持向量机（LSSVM）参数的网络流量预测算法（ACO-LSSVM）。将LSSVM算法参数作为蚂蚁的位置向量,采用动态随机抽取的方法来确定目标个体引导蚁群进行全局搜索,并在最优蚂蚁邻域内进行小步长局部搜索,找到算法的最优参数,建立了基于ACO-LSSVM的网络流量预测模型。仿真结果表明,相对其他网络流量预测算法,ACO-LSSVM算法提高了网络流量预测精度,更能准确地描述网络流量变化规律。     

考虑时空影响下的图卷积网络短时交通流预测

针对交通流预测过程中城市道路路网的空间特征难以充分提取,导致预测结果精度不高的问题,提出图卷积网络（GCN）与门控循环单元（GRU）组合短时交通流预测模型。利用GCN对拓扑结构数据处理的优势,将城市道路路网空间排列结构转换为拓扑关系建模,通过解决拓扑关系问题有效提取出路网间的空间特征。采用GraphSAGE算法改进GCN模型,通过加和聚合算子和图注意力机制（GAT）聚合空间特征,将包含空间特征的输出作为GRU模型的输入提取时间特征。利用真实道路车流量数据进行模型验证,结果表明该模型相较于不具有GCN的模型预测准确率提升约8%,均方误差缩小约0.010?37,说明所提模型具有相对较高的稳定性及预测精度,可以为大型城市路网提供重要的交通诱导依据。     

基于小波变换的网络流量组合预测模型

为了提高网络流量的预测精度,利用小波变换、差分自回归移动平均模型和最小二乘支持向量机等优点,提出一种基于小波变换的网络流量预测模型(WA-ARIMA-LSSVM)。针对网络流量多尺度特性,首先对网络流量时间序列进行小波分解,然后分别采用差分自回归移动平均模型和最小二乘支持向量机对网络流量的高频和低频进行建模与预测,最后小波重构高频和低频的预测结果,并采用仿真实验对模型性能进行分析。结果表明,WA-ARIMA-LSSVM提高了网络流量的预测精度,可以更加准确地描述网络流量的非平稳变化趋势。