基于模糊逻辑的路口交通信号控制

城市交通控制(UTC)是智能交通系统中非常重要的组成部分。在一些复杂的交通情况下,使用传统的控制方法进行交通信号控制的效果并不好。由于模糊逻辑能够较好地描述复杂系统的定性模型,因此它非常适合对路口交通信号灯进行控制。该文给出了一种采用模糊逻辑进行路口信号灯控制的方法。通过从路口检测器获取车辆信息,模糊规则对信号灯进行优化控制。通过仿真模拟,给出了实验结果。     

自适应交通信号控制软件系统

本系统的基本思想是针对我国现行城市路网结构及交通流的具体特点。基于交通信号区域控制理论展开的。其控制算法模型介于脱机交通信号控制理论。对于城市外围地区平交路口,采用脱机交通信号控制算法模型实现区域信号控制;而对于城市中心地区,选择自适应交通信号控制算法模型实现区域信号控制。交通信号控制模型可采用方案选择式或方案生成式。系统采用三级分布式交通信号控制结构,基于严格的时段划分对城市路网中的信号控制区域及平交路口进行协调控制。以实现整个路网通行能力提高的控制目的。     

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。     

基于深度学习网络的智能交通信号控制研究

本文设计了基于深度学习网络的智能交通信号控制系统.使用数据平滑方法消除交通流数据的趋势,利用由多个限制玻尔兹曼机模型构成的深度信念网络模型学习交通流特征,并结合支持向量回归预测短时交通流,根据预测结果和排队消散时间实时判断车流放行方向以及进口放行绿灯时间,实现智能交通信号控制.实验结果表明,分别将延迟时间和节点数设置为...     

基于Agent的智能交通信号控制系统研究

本文针对智能交通领域的需求,结合Agent技术以及智能控制技术的发展,提出了一个基于Agent的智能交通信号控制系统的基本架构。该系统将变通系统的控制策略的制定权放在各个路口,提高了路口级的智能决策能力．实现了交通系统的实时智能控制功能。     

基于连续映射小脑模型的广义预测控制快速算法

文中把改进后的小脑模型（ＣＭＡＣ）应用于广义预测控制（ＧＰＣ）算法中，避免了该算法需实时进行的复杂计算，本文的方法对ＧＰＣ在实际中的应用有重要的意义。     

基于ECA的公交现场调度模型构造研究

为实现公交现场调度的智能化,构造相应的计算机支持系统,提出了一种基于ECA的公交现场调度模型。首先建立了现场调度方法框架,并描述了常规调度方法的8种具体行为模型,给出了基于工作流的计算机智能调度系统,结果表明该模型框架为公交智能化调度系统提供了有益的参考。     

基于决策树的城市短时交通流预测

运用决策树对城市道路上下游短时交通流量关系进行了分析，并建立了相应的规则库，得到了一个城市短时交通流的预测方法，为城市交通流控制与诱导提供了良好的基础。     

交叉口有交通信号控制时用户最优动态配流模型

针对智能交通系统（ＴＴＳ）基础上中主要基础理论之一的动态交通分配问题,在现有研究成果的基础上,提出了更接近真实路网的多起点多旋点交叉口设置有交通信号控制（Ｔｒａｆｆｉｃ Ｓｉｇｎａｌ Ｃｏｎｔｒｏｌ）时的动态配流模型,给出了对现有的通过Ｆｒａｎｋ Ｗｏｉｆｅ算法所得的ＤＵＯ配流解进行修正的原则,最后的算例表明由修正后的模型和算法所得到的ＤＵＯ配流解满足ＴＳＣ约束。     

基于迭代学习与模型预测控制的交通信号混合控制方法

针对基于迭代学习控制的交通信号控制方法对于路网中存在的非重复性实时干扰不能进行有效处理的问题,本文在基于迭代学习控制的交通信号控制方法基础上,结合模型预测控制滚动优化和实时校正的特点,提出了一种基于迭代学习与模型预测控制的交通信号混合控制方法.该方法在有效利用交通流周期性特征改善路网交通状况的同时,可借助模型预测控制的...     

基于ANN的非线性系统GPC算法及仿真研究

将神经网络（ANN）技术应用于常规GPC算法,设计了基于ANN的非线性系统GPC结构方案,并对其控制原理和控制算法进行研究,基于ANN高度非线性映射等特性,运用数字仿真方法,对所设计的控制结构方案进行仿真研究,仿真结果显示,基于ANN的非线性系统GPC结构方案合理可行,并取得了满意的控制效果．     

自适应人工神经网络电机控制器设计

提出了一种自适应人工神经网络无刷直流电动机(BLDCM)转速控制器设计方法;针对传统PID调节器难以应对系统超调和短时振荡等问题,提出了一种结合人工神经网络和传统PID控制的新方法;首先建立了(BLDCM)的本体数学模型,在此基础上描述了将人工神经网络和PID控制相结合的模型,并对具体的控制算法进行了定义;最后,使用Matlab仿真工具对BLDCM控制实例进行了仿真;实验结果表明,结合人工神经网络和PID控制器的新控制方法具有响应快、鲁棒性强以及控制精度高等优点,很好地抑制了超调和振荡。     

基于模糊神经网络的交通干线分层递阶控制

针对城市交通干线协调控制的要求,提出了利用模糊神经网络分层递阶控制的方法。采用两层结构,第一层为控制层。针对单个路口,对下一时间段内路口各个方向的车流量进行预测。并在此基础上计算出下一时间段内各个路口的周期、相序、各个方向上的绿信比;第二层是协调层,综合主干方向的车流状况及各个路口的情况,采用模糊神经网络对各个路口的周期、相位及主干方向的绿信比进行调整。仿真结果表明,该方法优于定时控制,达到了减少车辆的停车次数和延误时间的目的。     

基于模糊神经网络的道路交叉口交通控制方法

提出了一种基于模糊神经网络的道路交叉口交通控制方法,分别把关键车流信息和非关键车流信息作为控制输入,采用两级控制器结构,综合形成控制策略。仿真结果表明,与传统的定时控制方法和只考虑关键车流的情形相比,所提出的两级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。     

神经网络解耦预测函数控制

结合解耦思想研究多变量系统预测函数控制。通过引入神经网络补偿环节，对多变量系统解耦，在此基础上，对解耦后各子系统进行单变量预测函数控制，以确定各个控制量。同时基于系统脉冲传递函数，得到单变量PFC控制器的显式表达式。仿真表明，该算法有较好的跟踪特性，对解决多变量系统的优化和控制具有一定的适用性。     

神经网络在水处理加药控制中的应用研究

随着供水源水污染日益严重和水质要求的不断提高,于是就增加了给水处理的难度;在水处理过程中,混凝是整个水处理工艺系统中最重要的过程,也是最难管理的一个环节,它不仅影响到处理的全过程,并且还是制水成本的重要组成部分;通过对给水处理过程中投药系统的工艺原理的研究,分析了其混凝过程中影响其混凝效果的相关参数,建立了混凝剂投加模糊神经网络预测控制模型,旨在研究一种有效的混凝剂投加智能算法并投入实践;试验表明,此模型在源水水质变化的情况下,实现了混凝剂投加的有效控制,提高了水行业的自动化水平.     

一种基于神经网络的鲁棒型预测控制算法

针对复杂工业过程中存在的时滞、强干扰的严重非线性控制对象,仿真研究了一种利用神经网络作为预测模型,遗传算法作为滚动优化策略的预测控制方法.在算法中为了提高辨识非线性系统的鲁棒性以及降低控制器对未建模动态的敏感性,引入了一种伪模型,即将系统实际输出与预测输出综合成的新的输出信号,由该信号代替量测输出.仿真结果表明对于非线性被控对象该方法具有良好的鲁捧性和跟踪性能,对于改善非线性预测控制不失为一种有益的尝试.     

基于神经网络的某超市水产品运营量预测模型研究

随着人工神经网络技术的不断成熟,人工神经网络和预测预报紧密结合起来。结合＂神经网络＋预测＂的开发模式,引入BP人工神经网络学习算法,构建了某超市水产品运营预测模型,并讨论不同结构的BP网络及随机初始化对预测结果的影响,同时进行了神经网络预测方法和其它预测方法的比较。     

基于机器人的神经网络预测控制算法

针对预测控制机理在处理非线性模型控制存在较大的困难,提出了将BP神经网络和广义预测控制（GPC）相结合后应用于网络控制系统的思想,构造了神经网络预测控制算法,其实质是用BP神经网络作为预测模型,产生预测信号,对系统进行反馈校正,并通过误差迭代求取广义预测的最优控制律,从而克服了对非线性系统难以辨识模型的困难,利用神经网络“黑箱”的功能达到对非线性系统的预测控制。以机器人为控制对象进行仿真,取得了较好的控制效果。