基于改进Newman算法的动态控制子区划分

为了优化现有控制子区划分方法,以区域协调控制为目标,提出基于改进的Newman社团快速划分的动态子区划分方法. 综合考虑路网中相邻交叉口之间的距离、交通流量、行程时间、车流离散特性、信号周期和路段交通流密度等因素,定量分析交叉口关联性;分别计算相邻交叉口的流量关联系数、信号周期关联系数和路段交通流密度关联系数,建立相邻交叉口的总关联度模型;对传统Newman算法进行改进,引入交叉口关联度,依据不同交通特性对区域路网进行动态子区划分;选取实际区域路网,进行模型验证分析. 结果表明：Newman算法子区划分结果不能随着交通特性的改变而改变;与之相比,所提出模型的子区划分结果更加细致,更加符合实际交通流特性,且可以依据不同时段交通特性实现动态子区划分,可以为信号控制方案制定提供良好基础.     

交通控制子区动态划分模型

传统的交通控制子区静态划分方法无法适应城市路网交通流的快速变化。针对该问题,研究了交叉口车队散布模型,提出了可协调度的概念以定量描述相邻交叉口间实施协调控制的必要性;在此基础之上,建立了基于超图表示的城市路网模型,并设计了相应的超图划分算法,通过对超图的分割来实现交通控制子区的动态划分。基于北京市二环内实际路网的实例验证表明,该模型在高峰时段和平峰时段下,均能给出高质量的控制子区划分结果。     

基于Ncut的城市路网交通子区划分方法

针对大规模城市路网下区域性拥堵频发、交通难于管理的问题,提出了基于Ncut的交通子区划分方法。首先使用交通流量和路段速度信息计算交通态势,然后结合交叉口间距离得到动静态结合的关联度指标,最后应用Ncut划分算法对大规模交通路网进行划分,并以子区总关联度最大为目标调整子区边界上的交叉口,使子区内部更为紧密。在真实路网上进行仿真,并经过实验对比与分析说明了该划分方法能把距离近、交通态势相似的交叉口划分到同一子区,并保证子区规模适当、外形良好。     

过饱和状态下城市路网控制子区动态划分方法

过饱和状态下城市路网的控制子区划分是实施高效信号控制的必要基础.根据城市路网过饱和状态下交通流的特点,结合路口饱和度和车辆排队情况,提出了一种路口过饱和状态识别方法,并进一步将过饱和路口划分为三个不同的拥堵等级.在引入路段车辆容量比和路段交通需求影响度的基础上,采用模糊控制算法对相邻路口关联度大小进行计算.基于路口拥堵等级划分与相邻路口关联度提出一种子区分级动态划分策略,并给出一个完整的动态子区划分流程,最后通过算例说明了该控制子区划分方法的可行性.     

基于密度峰值聚类的交通控制子区划分方法

为提升区域交通信号系统的控制效率,提出了一种基于车辆轨迹数据和密度峰值聚类的城市路网交通控制子区划分方法。首先,结合轨迹数据特性并综合考虑交叉口间距、车辆延误、车队离散度等因素的影响,定义并计算了交叉口的关联度指标。其次,根据关联度指标得到交叉口的距离矩阵,作为密度峰值聚类算法的输入;针对密度峰值聚类的超参数设置问题,引入数据场理论中势能熵的概念确定最优值;同时,借鉴肘部法则的思想确定聚类中心数量。最后,将改进的密度峰值聚类算法应用于交叉口子区划分中。以北京市中关村西区真实车辆轨迹数据的实验分析表明：本文方法可以仅基于车辆轨迹数据实现城市路网交通控制子区的高效、合理划分。     

基于信息协同的子区交通状态加权计算与判别方法

基于行程时间和路段长度信息给出了路段拥挤系数的概念,建立了子区交通状态矩阵,利用加权系数的方法计算整个协同子区的拥挤系数,进而对子区的交通状态进行判断。最后,利用VISSIM仿真软件建立路网对上述方法进行验证。试验表明,这种方法简单实用,可直接用于交通状态分析中,为协同策略的制定提供了背景环境方面的参考。     

基于分层控制结构的迭代学习城市交通信号控制

分层控制是大规模城市路网实施高效信号控制的有效手段。根据城市路网规模庞大且结构复杂的特点,提出了一种基于分层控制结构、协调各子区交通状态的迭代学习城市交通信号控制策略。上层利用交通数据,刻画路网内各子区的宏观基本图(Macroscopic fundamental diagram,MFD),基于MFD分析得到子区车辆累积数与流量的关系,并以道路占有率均衡为目标,设计各子区理想的道路占有率;下层基于道路交通流模型,通过迭代学习获得各路口的信号配时方案,使子区内的道路占有率达到上层的要求。提出的分层控制策略使路网内交通流分布均衡,提高路网整体通行能力。Matlab和Vissim的仿真结果与Webster固定配时信号控制的对比显示了该控制策略的有效性和优越性.     

交通控制子区动态划分方法

在分析交通流特性的基础上,提出了周期子区、相位差/绿信比子区的概念。与此概念相对应,详细介绍了一种控制子区动态划分的方法。运用V issim软件进行了仿真。结果表明:与传统控制子区划分方法相比,运用该方法可进一步提高道路交通流的运行效率。     

Control System of Garbage Incinerator Based on Fuzzy BP Neural Network

根据固体垃圾焚烧技术原理,结合垃圾焚烧炉运行特点,分析了垃圾焚烧过程与影响焚烧的主要因素,提出了基本模糊BP神经网络算法的垃圾焚烧炉控制方法.建立了垃圾焚烧炉炉温双端输入模糊神经网络（DIFNN）控制模型,并使用模糊BP神经网络控制算法对系统进行控制.仿真实验表明,该模糊BP神经网络控制能够适应复杂多变的焚烧过程的控制要求,控制效果好.     

基于均衡k划分的动态子区划分方法

针对交通路网控制子区的划分问题,提出了基于均衡k划分的动态子区划分方法。首先建立交叉口和路段权重模型,将路网抽象成为带权拓扑图;再针对拓扑图划分的NP问题,采用改进的禁忌搜索算法进行优化求解,同时为降低算法的复杂度设计了一种启发式算法为禁忌搜索算法获取初始近似解;最后利用路网实际数据与已有方法进行对比分析。结果显示：以任意子区内节点权重之和最小与连接不同子区的边权之和最小为目标,可以实现子区划分在宏观意义上的路网类均衡性和微观意义上的区间弱关联性,进而验证了本文所提算法的可行性和有效性。采用的启发式方法为禁忌搜索算法提供初始近似解,能够有效降低其复杂度,提高计算的实时性,并且利用所提方法划分的子区能够降低路网协调控制的难度,避免多个高负荷交叉口聚集而影响路网运行效率。     

具有公交优先的路网交通流智能协调控制

在分布式道路交通控制结构以及模糊理论和人工神经网络技术的基础上,提出了一种具有公交优先的路网交通流智能协调控制技术.把整个路网作为一个大系统,路网中的各个路口为子系统,每个路口设置一个网络型的多相位智能信号控制机,实现对当前路口的交通控制和相邻路口间的协调.核心部分由3个模块组成：公交优先模块、绿灯观察模块和相位切换模块.详细设计了每个模块模糊决策方法,并用人工神经网络来实现模糊关系并提高系统的鲁棒性.目标通过相邻路口信号控制机的信息交互和协调,实现整个路网交通流的协调和公交优先通行.仿真研究结果表明,在时变和大流量交通环境中,该技术的控制效果明显优于传统的单路口车辆感应控制方法.     

道路交叉口信号的模糊神经网络控制

应用模糊神经网络对交通系统进行控制是一种新的尝试，它可以充分发挥模糊逻辑和神经网络的优势，实现更为有效的控制。提出了一种基于模糊神经网络的道路交叉口交通信号控制方法，根据两相位的关键车流信息来决定绿灯延长时间，形成控制策略。仿真结果表明，与传统的定时控制方法相比，所提出的神经网络控制方法在车辆平均延误时间和排队长度方面都有较大改进，该方法有效、可行。     

A Direct Feedback Control Based on Fuzzy Recurrent Neural Network

A direct feedback control system based on fuzzy-recurrent neural network is prosed, and a method of training weights of fuzzy-recurrent neural network was designed by applying modified contract mapping genetic algorithm. Computer simulation results indicate that fuzzy-recurrent neural network controller has perfect dynamic and static performances .     

一种基于模糊神经网络的城市道路交叉口可变相序控制

在结合模糊控制和神经网络各自优点的基础上,提出一种城市道路交叉口可变相序自适应控制算法.算法根据通行权转移度设计出相位转移模块和绿灯延时模块,并分别为之建立模糊控制器,每个控制器都通过多层BP神经网络来实现.仿真结果表明,该方法能有效地减少单交叉口平均车辆延误,具有较强的学习和泛化能力.     

船舶航行的模糊模型建模及航向控制

为了进一步对船舶行操舵控制的研究,应用模糊系统理论对船舶航行操舵控制建立了一个模糊模型;并彩神经网络方法对模糊模型的参数进行了辨识和估计,此模糊模型的建立使控制设计摆脱了数学模型,同时为下一步进行控制方案选择和设计打下了基础,仿真结果表明,船舶航行模糊模型及参数辨识方法是有效的,并给出针对某一船舶的模糊模型的具体形式;仿真结果也表明了船舶航行控制效果良好性。     

基于模糊神经元网络的阀控马达系统仿真

提出了一种基于模糊神经元网络的阀控马达控制方案.在系统中，将模糊控制技术与神经元网络技术相结合，构建了模糊神经元网络控制器.该控制器结合模糊控制与神经元网络各自的优点，既具有模糊控制器简单和有效的非线性控制作用，又具有神经元网络自学习和自适应能力,改善了控制系统的性能.     

Neural network modeling and control of proton exchange membrane fuel cell

A neural network model and fuzzy neural network controller was designed to control the inner impedance of a proton exchange membrane fuel cell (PEMFC) stack. A radial basis function (RBF) neural network model was trained by the input-output data of impedance. A fuzzy neural network controller was designed to control the impedance response. The RBF neural network model was used to test the fuzzy neural network controller. The results show that the RBF model output can imitate actual output well, the maximal error is not beyond 20 m-, the training time is about 1 s by using 20 neurons, and the mean squared errors is 141.9 m-2. The impedance of the PEMFC stack is controlled within the optimum range when the load changes, and the adjustive time is about 3 min.     

噪声有源控制的模糊神经网络方法

使用Filter-X算法研究有源噪声控制问题，存在需要较高阶次的滤波器和当主噪声路径是非线性时控制效果不佳的缺陷，为此提出了一种基于模糊神经网络的非线性噪声有源自适应控制方法，并给出了一种基于误差梯度下降的学习算法，一个非线性的仿真例子表明，模糊神经网络控制方法对于非线性噪声控制效果明显。     

基于神经网络的VBR视频流量建模及预测

为解决视频流量预测问题,结合神经网络和小波技术建模IP（Internet Protoc01）网络视频流,提出了利用神经网络预测尺度因子的预测算法。对可变比特率的压缩视频流完成小波分解,得出尺度因子。通过对尺度因子的预测和小波重建,完成视频流量预测。尺度因子的归-化特性简化丁神经网络处理过程。对真实VBR（Variable BitRate）视频流的流量预测实验表明,模型对IP网络普遍应用的高压缩比视频流具有良好的预测能力。     

智能控制及其应用

介绍了一些有关智能控制的基本概念,如模糊控制,自适应模糊神经控制,专家模糊系统和人工神经网络等等,并简要分析了模糊理论与人工神经网络的特点,将人工神经网络技术与PID控制相结合,用神经网络PID控制方法控制一个温控系统,从输出曲线中可见,这种方法有输出超调小、上升时间快等许多优点,为系统提供了一个优良的控制效果。