汽车动态称重系统的设计与实现

介绍了一种汽车动态称重系统的实现方法，由于称重过程中影响车辆重量的因素是非线性的，采用了改进的神经网络技术（与遗传算法的融合）来处理采集的数据，得到了满意的结果，误差达到5％。但由于神经网络的学习影响了数据输出的速度，后续工作正在就该问题展开进一步研究，拟采用多神经网络并行处理方法解决该问题。所介绍的自动称重系统除了能够实现称重数据的采集、处理、显示等功能外，还实现了将采集的数据保存到数据库中并能以报表的形式打印出来，以便于统计和查阅，实现了访问、查询数据库中记录等功能。     

基于车辆运动学分析的动态称重误差产生机理

车辆动态称重系统广泛应用于治理超载超限运输,其称量精度与车辆通过计量平台时的运动状态有一定的关系.文中首先对运行车辆进行运动学分析,找出影响动态称重系统称量精度的主要运动形式,并以此为依据,得出车辆轴载称量原理,最后分析车辆通过计量平台时的振动来源,以揭示称重系统误差产生机理.     

动态车辆称重系统补偿算法研究

动态称重系统为超限运输治理工作提供了便利,但其测量精度一直是值得研究的课题.通过实车试验,测得动态称重系统测量数据,并运用切比雪夫正交多项式方法,建立以速度作为补偿因子的补偿模型,对测量结果进行修正.最后,对过往车辆的称重结果进行有效性验证,证明该补偿算法具有一定的精度和实用价值,从而对不停车收费制度的有效实施以及智能运输系统的发展起到一定的促进作用.     

车辆动态行驶称重系统的精度评估方法研究

对于一个动态（WIM）称重系统,静态载质量的测量误差是随机的,其标准偏差很大程度决定于测试时的重复性和再现性条件。在分析了OIML法规中相应术语与参数的基础上,从理论层面深入分析了该法规中WIM系统精度等级评估方法,并通过试验验证了此方法的正确性和可行性。此评估方法对于评估新研发的WIM系统精度非常有效,保证了WIM系统实际检测车辆载荷数据的可信性。     

软质电容式车辆动态称重系统

介绍了一种软质电容式车辆动态称重系统.对该传感器静态特性进行了研究,分析了受力面积和时间的影响,针对橡胶材料粘弹性特性,提出了利用四元件模型对其建模.同时进行了动态实验,车辆总重量的测量误差在10%以内,其精度优于ASTME1318-02给出的Ⅰ类WIM系统精度(置信95%时总重误差±10%).实验结果表明:利用文中提出的车辆动态称重系统进行测量是可行的,它有助于随时测量,便于交通稽查.     

基于ADuC7026的动态称重传感器的设计

设计了一种基于精密数据转换器ADuC7026的快速动态称重传感器.整个系统采用上、下位机的模式,下位0L(传感器)主要完成信号放大、A/D转换、数据采集、数据处理和数据传输;上位机(计算机)通过Visual C++创建一个图形用户界面,此界面用于参数设定和数据接收,上位机和下位机之间采用RS-232通讯协议.在介绍了系统的硬件组成和软件设计后,针对动态称重的特点,提出了一种新的数据处理方法-触发函数,并给出了相应的程序流程图.该系统电路简单、工作稳定、精度高、参数设置灵活.     

基于单片机的智能动态称重系统设计

对称重系统硬件模块进行设计,包括称重秤台以及称重电路。在对动态称重系统进行了硬件系统的设计基础上,详细分析了动态称重系统的受力情况。     

定量称重包装系统RBF神经网络PID控制研究

针对定量称重包装系统具有惯性、滞后、非线性时变且无法建立精确模型等特点,分析物料动态称量响应过程的动态特性及影响定量称重包装精度的相关因素和误差来源,提出1种基于RBF神经网络PID的定量称重包装控制策略。利用具有任意非线性表达能力及较强自学习能力的RBF神经网络寻求最佳的PID参数,并通过Matlab仿真验证控制策略的有效性。结果表明,与传统的PID控制相比,RBF神经网络PID控制策略具有较强的抗干扰能力,可显著改善定量称重包装系统的控制效果。     

基于MATLAB的神经网络的仿真

文章详细论述了利用MATLAB神经网络工具箱设计BP网络的方法和步骤.根据需要调用相关程序,从而避免了编写复杂而庞大的算法程序.     

基于Adaline的吊车动态称重方法研究

吊车在起吊过程中对所吊物体称重时,采集到的数据与重量本身相差较大,目前吊车动态称重的精度是系统设计的一个难题。文章提出了一种基于人工神经网络自适应线性神经元Adaline的吊车动态称重数据处理的噪声自适应对消方法,用于解决因运动产生的数据采集不准的问题,在提高吊车称重精度方面进行了一些有益的探讨。     

基于BP神经网络的工作面周期来压预测

针对现有工作面周期来压预测方法在算法结构复杂、计算量较大等问题,探索一种高效、准确、易于使用的工作面周期来压预测方法。以淮南潘集矿区20个已采工作面作为工程研究背景,采用BP神经网络预测原理,在分析工作面周期来压的影响因素基础之上,设计出一种基于BP神经网络的工作面周期来压预测方法,通过MATLAB编程实验表明BP神经网络在工作面周期来压的预测中具有较高的精度。     

基于BP网络的指纹识别系统

针对指纹数据库规模不断增大的情况,为了提高指纹识别的速度和准确度,采用BP神经网络先对指纹进行分类,把指纹分成左环、右环、拱、涡、棚状拱和不辨型6种类型,然后在相应的子类库中根据特征提取进行识别。设计并实现了一个指纹识别系统,该系统能够自动地进行指纹分类,而且还能实时地将结果与指纹数据库进行比对。实验结果表明,该系统能迅速地获得被识别人员的身份信息。     

基于BP神经网络的教学质量评价

基于MATLAB设计神经网络评价流程,以3层BP神经网络进行教学质量评价,其中隐含层的传递函数为tansig,输出层的传递函数为purelin．为保证网络的泛化能力,在训练样本的选择上,选择比较有代表性的数据,打乱顺序,对数据进行归一化预处理;训练函数采用Levenberg—Marquardt算法,选择学习速率为0．01,网络训练误差为le^-5,训练次数1000次,步长选择为10．成功训练神经网络后,对给出的4组数据进行了预测,画出预测拟合及误差分析图形．结果表明：在设计BP神经网络模型的基础上,采用合理的样本数据,神经网络就会通过训练样本,学习到样本的有关环境本身的内在规律性,对输入给出正确的反应,以实现教师的教学质量评价．     

基于BP神经网络的交通数据序列动态可预测性分析方法

为了进一步改善交通数据序列短时多步预测的效果,提出了交通数据序列动态可预测性分析的思想,在设计了交通数据序列动态可预测性关联数据特征指标的基础上,基于BP神经网络建立了交通数据序列动态可预测性分析方法,运用某城市快速路主线与匝道车辆检测器的实际数据对该方法进行了验证,并与不同固定预测步数条件下的预测效果进行了对比分析.结果表明,所提出的方法能对交通数据序列的可预测性进行在线分析,在保持预测精度的情况下,可最大限度地增加交通数据短时预测的步数.     

基于MODWT和BP神经网络的微电网故障诊断方法

近年来,随着微电网技术的持续发展,电力用户对其供电可靠性的要求也不断提高,因此微电网故障诊断研究也变得越来越重要。提出了一种基于极大重叠离散小波变换(MODWT)和反向传播(BP)神经网络的微电网故障诊断新方法,并通过仿真与算例进行了验证。结果表明:该方法能快速、准确地识别出故障类型,且不受故障初始相位角和过渡电阻等因素的影响;与现有的基于离散小波变换和反向传播神经网络的诊断方法相比所提出的方法可以提供更好的故障分类精度。     

BP和RBF网络的结构动力响应预测对比

主动控制中存在时滞效应,在线实时预测结构响应,可以解决这个问题。不同的神经网络对结构响应的预测效果是不同的,针对BP网络和RBF网络的不同特点,对它们的预测效果做了对比研究。仿真结果表明,RBF神经网络训练速度快、精度高,可及时为主动控制建筑结构响应提供较为准确的优化性能指标,从而为实现在线实时控制结构响应提供优良的保证。     

基于模糊神经网络的汽车安全控制系统

针对国内汽车安全控制系统水平相对落后的现状,提出了一种模糊神经网络的汽车安全控制系统,采用基于标准模型的模糊神经网络作为控制器,包括输入层,模糊化层,规则层,归范化处理和输出层,应用多层前馈网络的反向传播算法网络作为学习算法,运用动态BP网络作为神经网络预测器。MATLAB仿真结果表明：该控制系统具有较好的快速性、稳定性、稳态性能以及鲁棒性。     

基于BP神经网络的车辆碳排放测算研究

研究轻型车辆碳排放测算方法,分析车辆碳排放与运行工况关系。基于车辆实际行驶污染物排放(Real Drive Emission, RDE)车载测试数据,以CO2当量CO2e代表碳排放,分析得出碳排放速率随车速、比功率(Vehicle Specific Power, VSP)增大而上升;运用BP (Back Propagation)神经网络算法建立车辆碳排放与车速、加速度、比功率多参数间非线性关系测算模型,计算得出世界轻型车测试循环(World Light Vehicle Test Cycle,WLTC)、新欧洲行驶循环(New European Driving Cycle, NEDC)和中国轻型商用车行驶工况(China Light-duty Vehicle Test Cycle-commercial Car,CLTC-C)3种台架测试循环工况下的碳排放因子。比较发现3种台架测试循环工况下的碳排放因子均高于实际道路行驶碳排放因子,其中WLTC下碳排放因子最高,其次是NEDC,再是CLTC-C,原因是加速度越大、车速越高的测试工况导致碳排放增加。     

改进的传感器神经网络逆动态补偿算法

针对神经网络逆动态补偿策略中基于向后差分的微分估计算法在噪声环境下存在较大的微分估计误差,且提高估计精度会增加硬件成本等缺陷,提出了改进的微分估计算法,并以加速度传感器为例,设计了动态补偿实验装置,给出了基于改进的微分估计算法的动态补偿算法的实现步骤。改进的微分估计算法,采用低通滤波器以去除高频噪声对微分的影响。实验结果验证该方法能明显改进和提高加速度传感器的动态性能,实现对脉冲力的高精度重构。     

基于神经网络的动态系统建模

阐述了基于神经网络动态系统建模的理论依据。将传统的系统辩识方法与神经网络的信息加工能力融合在一起，给出一类非线性动态系统建模结构和方法