基于模糊神经网络的电梯群控系统的智能调度

提出一种新的电梯群控系统（ＥＧＣＳ）的评价函数,综合考虑电梯运行的评价标准并建立了相应的模糊规则。同时把这些规则映射到模糊神经网络中进行学习,提高了调度的智能性。为保证神经网络每层权值的物理意义和改善规则间的重要性,提出了部分层学习算法,并推导了中心值、宽度学习算法。最后利用面向对象的方法实现了电梯群控系统的仿真软件,结果表明此调度策略的优越合理性。     

基于模糊神经网络的电梯群控系统调度方法研究

电梯群控系统是一个复杂的决策系统,具有多目标性、随机性和非线性等特点,难以采用精确的数学模型加以描述,因而传统的控制方法很难提高系统性能。将模糊控制技术与神经网络技术相结合,提出了一种能适应各种交通客流状况的调度方法,设计了各电梯响应呼梯信号的综合评价函数,通过神经网络的学习能力调整各评价因素（候梯时间、乘梯时间、能量消耗、拥挤度）的权重系数,从而确定最佳派梯方案。仿真实验结果表明,此方法能在各种交通客流状况下实现合理的电梯调度,验证了此方法的有效性。     

智能多模式电梯群控调度方法的研究与实现

电梯群控系统的任务是有效地运送乘客，提高电梯运行效率，改善服务质量，根据大楼不同交通流状况识别不同的交通流模式，并采用最合适的调度方法分派电梯是提高群控性能的关键，实现了一种基于模式识别的智能多模式电梯群控调度方法，该方法可以在一天中根据不同的交通流状况，提供不同的群控策略，从而使电梯服务更优，仿真实验表明了这种电梯调度方法是有效的。     

基于模糊神经网络的电梯群控系统调度方法研究

电梯群控系统是一个复杂的决策系统,具有多目标性、随机性和非线性等特点,难以采用精确的数学模型加以描述,因而传统的控制方法很难提高系统性能.将模糊控制技术与神经网络技术相结合,提出了一种能适应各种交通客流状况的调度方法,设计了各电梯响应呼梯信号的综合评价函数,通过神经网络的学习能力调整各评价因素(候梯时间、乘梯时间、能量消耗、拥挤度)的权重系数,从而确定最佳派梯方案.仿真实验结果表明,此方法能在各种交通客流状况下实现合理的电梯调度,验证了此方法的有效性.     

基于模糊BP神经网络的电梯群控系统的仿真

传统的电梯控制方法很难提高电梯控制系统的性能问题.根据电梯群控系统的特性及模糊网络理论和电梯群控系统控制目标的多样性及电梯系统本身所固有的随机性和非线性,为提高电梯运行性能,构建了电梯群控的模型.设计了多个模糊网络高斯隶属函数,实现了乘梯满意度函数、候梯满意度函数、能耗满意度函数在MATLAB上进行仿真,采用了最优函数对电梯群进行控制,通过系统验证了模糊网络的电梯群控的运行效果,达到了改善电梯服务质量、提高电梯运行效能.     

智能多模式电梯群控调度方法的研究与实现

电梯群控系统的任务是有效地运送乘客，提高电梯运行效率、改善服务质量．根据 大楼不同交通流状况识别不同的交通流模式，并采用最合适的调度方法分派电梯是提高电梯 群控性能的关键．本文实现了一种基于模式识别的智能多模式电梯群控调度方法，该方法可 以在一天中根据不同的交通流状况，提供不同的群控策略,从而使电梯服务更优．仿真实验 表明了这种电梯调度方法是有效的．     

GA模糊神经网络在电梯群控交通流识别中应用

本文介绍了应用基于遗传算法的模糊神经网络的电梯群控系统的交通流模式的识别方法.采用正规化模糊神经网络学习和训练来识别电梯群控系统交通流模式,并用遗传算法优化输入特征向量的隶属函数,实验结果表明,该方法能够准确识别交通流模式.     

电梯交通模式的模糊神经网络识别

交通模式识别的准确性将直接影响群控系统的整体性能,通过对各种电梯交通模式识别方法优、缺点的分析比较,考虑电梯交通模式的判断条件,结合神经网络和模糊推理,设计了一种基于模糊神经网络的电梯交通模式识别方法,该方法能够适应各种交通流模式的变化,并采用相应的电梯群控调度策略。     

电梯群控系统中的智能控制方法

本文首先介绍了电梯群控系统的来源及其使用目的，简要说明群控技术在国内外的发展水平和发展趋势，然后对专家系统、模糊逻辑、神经网络、模糊神经网络等智能方法在电梯群控中的应用情况作以评述，并比较各种智能方法的优势和缺陷，最后得出只有将各种智能控制方法有机的结合起来，使电梯控制向智能化方向发展的结论。     

电梯群控系统智能优化调度方法的研究

提出一种能够适应各种交通流模式的电梯群控智能优化调度方法．运用模糊神经网络对电梯的状态变量进行数据融合。融合出影响调度决策的电梯特征参数、通过小生境遗传算法对特征参数进行多目标优化分析，完成最优调度．仿真实验表明，该方法能够在各种交通流模式下进行相应的合理调度。     

电梯群控系统的最优调度仿真

在电梯群控节能优化问题的研究中,电梯群控调度是一个开放、动态、复杂系统的多目标优化问题。但是目前大多数群控系统都采用了乘客最少候梯时间的原则来派梯,并没有从电梯的能源消耗等综合因素来调度电梯,从而降低了电梯群控系统的调度性能。并且传统的调度方法在全局收敛性上不能得到很好的满足。为此提出一种蚁群算法的电梯群控系统来进行最佳电梯调度,利用乘客的候梯时间、电梯耗能和电梯拥挤度作为算法的变量数据,并且建立多目标评价函数的蚁群优化模型的控制器,通过蚁群算法进行仿真,验证了蚁群算法对电梯群控得到良好效果,并解决了电梯群控制器对电梯调度单一和全局快速收敛性的问题,为提高电梯群控调度性能提供了参考。     

一种新的模糊神经元网络学习方法

提出了一种模糊神经元网络的学习算法即利用多 层多层模糊IF/THEN规则表达专家知识的神经网络学习方法，在以此构造的基于多源信息融合的分类系统中，采用了多层模糊IF/THEN规则进行分类。为了处理模糊语言值，提出了一种能够控制模糊输入矢量的神经网络体系结构。该方法能够对非线性实间隔矢量和模糊矢量进行分类，工程实验表明，此学习算法是切实可行的。     

Add-Mult型模糊神经网络

提出了一种Add-Mult型模糊神经网络模型(AMFNN)，给出了该模型的结构。根据梯度下降算法，给出了AMFNN模糊神经网络的误差反传学习算法。与6种极具代表性的模糊推理方法进行比较的结果表明，AMFNN模糊神经网络模型具有推理精度高、适用范围广、泛化能力强以及实现容易等特点，因而具有广阔的应用前景。     

一种基于模糊神经网络加权的多维稀疏模糊推理方法

在稀疏规则库条件下,经典的插值理论针对一维稀疏规则库提出了各种不同的插值方法,取得了很多很好的经验;但对多维稀疏规则条件的近似推理研究很少,不仅存在着难以保证推理结果的凸性和正规性等问题,而且没有考虑到多维变量之间的联系即对结论的影响权值,造成推理结果的误差性更大.多变量规则的模糊插值推理是插值推理研究的重要方面,为了在多变量稀疏规则条件下得到好的插值推理效果,本文提出了一种基于模糊神经网络加权的多维模糊推理方法,为智能系统中的模糊推理提供了一个十分有用的工具.     

基于人工神经网络的自适应模糊电梯群控系统

针对电梯客流的随机性、离散性及电梯群控系统智能调度的复杂性。综合考虑了电梯运行的评价标准，结合了人工神经网络和模糊控制各自的优点，用神经网络的学习机制为模糊控制器自动提取并调整模糊规则及模糊隶属函数。提高了电梯群控的智能性。合理分配电梯应答，防止聚堆和忙闲不均情况的发生。大大减少了平均候梯时间和长候梯率。仿真实验及初步应用结果表明这种电梯调度方法是有效的。     

一种基于改进T-S模糊推理的模糊神经网络学习算法

针对模糊神经网络学习算法计算量过大,在预测模型设计中提出了基于改进T-S模糊推理的模糊神经网络学习算法。主要工作如下:首先,改进T-S模糊推理方法,定义基于偏移率的T-s模糊推理方法;然后,通过将此模糊推理方法与基于合成规则的模糊推理方法及距离型模糊推理方法相比较可以看出,所提方法有较少的计算量,且比较有效;最后,在此基础上改善了模糊神经网络学习算法,并将其应用于天气预测与安全态势预测。测试结果表明,该方法明显改善了学习效率,减少了预测模型设计中的学习次数与时间复杂度,并降低了学习误差。