基于模糊C均值和神经网络的驾驶行为评价研究

交通拥挤正成为一个日益严重的问题,一些不安全的驾驶行为所导致的交通事故是造成拥堵的主要原因之一.因此,如何准确评价驾驶员的驾驶行为成为研究的热点.本文提出了一种基于模糊C均值聚类（Fuzzy C-Means,FCM）和BP神经网络相结合的驾驶行为评价方法,首先利用FCM对驾驶行为进行初始聚类,基于FCM聚类结果,为了提高BP神经网络分类精度,本文提出了一种自动挑选训练样本即典型样本的方法,利用BP网络进行学习,最终用训练得到的BP神经网络分类器对驾驶行为进行实时分类,研究结果表明该算法摒弃了人为主观因素,实现了驾驶行为准确、客观、高效的评价.     

改进的含时间幂次项灰色模型及建模机理

为提高灰色预测模型的预测精度,针对传统含时间幂次项灰色预测模型的局限性,根据实际应用的需要,提出一种改进的含时间幂次项灰色模型NGM(1,1,t^{\gamma     

基于R2指标和目标空间分解的高维多目标粒子群优化算法

基于R2指标和分解策略的多目标粒子群优化算法(R2-MOPSO)在求解2、3个目标优化问题时具有较好的收敛性和多样性,但在求解高维多目标优化问题时难度较大.对此,提出一种基于R2指标和目标空间分解的高维多目标粒子群优化算法(R2-MOPSO-II).首先借鉴R2指标和目标空间分解策略综合权衡选择过程的收敛性和多样性,设计双层档案维护策略;然后设计一种新的向导选择策略来连接目标空间和决策变量空间,进而提出一种基于双层档案的速度和位置更新策略以权衡粒子群优化算法的勘探和开采能力;最后通过引入高斯学习策略和精英学习策略防止粒子陷入局部最优前沿.数值仿真结果表明,所提出算法在求解DTLZ和WFG测试问题时具有较好的收敛性和多样性.