基于RNN模型的短时交通流量预测

文章搭建一个基于神经网络原理的交通流量预测模型,其中的数据来源于美国加州的PEMS开源数据集。将数据集中原始数据划分为训练集和测试集,利用训练集不断训练优化网络模型参数,然后用训练好的模型参数去拟合测试集,并统计模型在测试集中的准确率。     

基于贝叶斯网络的多方法短时交通流量联合预测

针对目前交通流量预测方面出现的各种困难,提出一种基于贝叶斯网络的多方法交通流量联合预测的方式,该方式采用贝叶斯网络的方法,将现有的几种主要的交通流量预测方式结合起来,期待能够将几种交通流量预测方式的优势进行组合,得出更快速、更精准的预测方式。     

基于模糊神经网络的故障预测方法研究

在对模糊神经网络技术进行研究的基础上,介绍了故障预测原理,建立了预测分析的模糊神经网络模型,提出了改进的预测算法,并举例对算法进行了仿真验证。预测结果表明该方法能够取得比传统的BP更好的效果,是可行而有效的。为仪器设备的尽快维修提供了可靠的依据,具有良好的应用前景。     

基于模糊神经网络的梭式窑自适应控制系统应用研究

针对梭式窑温度控制过程存在非线性、时变性和不确定性等情况,设计了基于模糊神经网络的自适应控制(MRAC)系统并运用于梭式窑中,即采用RBF径向基网络作为梭式窑温度对象的辨识网络,它产生的Jacobin信息与控制误差一起提供给模糊神经网络控制器作为其学习信号,经过MATLAB仿真调整初始参数。最后运用VC++软件结合数据采集卡对燃气梭式窑进行控制。该控制系统能辨识出梭式窑时变性、非线性、长滞后性的对象特性,实时修正控制器参数,以适应对象特性的变化,在实际应用中取得了良好的控制效果。     

基于模糊小波神经网络的加工过程自适应控制

为了克服模糊控制动态响应慢和鲁棒性差的缺点,将模糊控制的定性知识表达能力与小波分析优异的局部控制性能和神经网络的定量学习能力相结合,提出了一种模糊小波神经网络自适应控制器,并将其应用于加工过程控制。对变切削深度的铣削加工过程控制的仿真结果表明,基于模糊小波神经网络的加工过程自适应控制,其控制效果优于一般的模糊控制和神经网络控制,具有很好的动、静态性能。该自适应控制器能有效防止刀具损坏和提高加工效率,是一种有效的加工过程控制方法。     

基于小波神经网络辨识器的模糊神经自适应控制在VAV空调系统中的应用

针对温度控制的大惯性、大滞后、非线性特点，提出采用基于小波神经网络辨识器的模糊神经自适应控制的中央空调房间温度控制器的设计方案。由于小波神经网络的非线性映射能力比一般神经网络要强，所以基于小波神经网络的辨识器可以获得很高的辨识精度。而且，模糊神经自适应控制器随着系统动态特性的改变可以在线改变其控制规则，从而进行客观准确的控制。与普通模糊控制方法相比较，仿真试验说明了系统设计的有效性。     

流媒体传输拥塞的模糊自适应预测控制

现代网络通讯中,为保证信息传输质量,在流媒体的传输中多采用有效的拥塞控制策略.本文给出了一种更有效的流媒体传输的拥塞控制算法.基于模糊算法给出了模拟的网络传输模型,采用能克服较大传输延时的预测控制解决缓冲器的排队预报问题,采用自适应控制算法解决缓冲器溢出问题.多种算法组合,有效地解决了通过网络的流媒体传输.     

基于模糊预测控制的燃料电池温度控制系统的研究

PEMFC的温度控制系统表现为多输入多输出、耦合、时滞、时变性、非线性、不确定性、信息量少等特点,采用传统的控制方法通常不能得到比较好的控制效果。因此,文章从控制和建模的角度出发,选择了一种基于模糊模型的预测控制算法对PEMFC的温度进行控制,并且通过仿真试验得出了比较满意的控制效果。     

模糊自适应预测控制在航空发动机中的应用研究

对于航空发动机这样复杂的系统,其数学模型具有较大的不确定性,而模糊控制对于解决模型不确定性问题具有较好的优势,运用模糊控制理论就具有较好的实践意义。而且,航空发动机在实际运行中存在诸多可测与不可测的扰动,将模糊建模技术与预测控制算法相结合,采用输出误差反馈启发校正的方法,有效地降低了系统设计与实现的复杂性,提高了系统的实时性,并使得该算法的模糊预测控制在鲁棒性、动态性能等方面皆优于常规PID控制。最后,通过数字仿真,对比了经典PID控制和运用模糊自适应预测控制。仿真结果表明,文中所采用的方法有较好的效果,其证明了该方法在航空发动机控制中应用的可能性。     

基于模糊神经网络的切削参数预测方法

提出了一种基于模糊神经网络的数据挖掘算法,将模糊理论与神经网络技术结合,避免了单纯的神经网络结构复杂、网络训练时间长、结果表示不易理解等不足。经过模糊神经网络的建立和训练可达到精度要求。将试验值、单纯神经网络及支持向量机的预测结果进行比较,可以得出如下结论:当模糊神经网络的隶属度函数中的参数及神经网络连接权值的初始值合理时,其学习算法的精度高,收敛性好。     

Characteristics Prediction Method of Electro-hydraulic Servo Valve Based on Rough Set and Adaptive Neuro-fuzzy Inference System

Synthesis characteristics of the electro-hydraulic servo valve are key factors to determine eligibility of the hydraulicproduction. Testing all synthesis characteristics of the electro-hydranlic servo valve after assembling leads to high repair rate and reject rate, so accurate prediction for the synthesis characteristics in the industrial production is particular important in decreasing the repair rate and the reject rate of the product. However, the research in forecasting synthesis characteristics of the electro-hydraulic servo valve is rare. In this work, a hybrid prediction method was proposed based on rough set(RS) and adaptive neuro-fuzzy inference system(ANFIS) in order to predict synthesis characteristics of electro-hydraulic servo valve. Since the geometric factors affecting the synthesis characteristics of the electro-hydraulic servo valve are from workers' experience, the inputs of the prediction method are uncertain. RS-based attributes reduction was used as the preprocessor, and then the exact geometric factors affecting the synthesis characteristics of the electro-hydraulic servo valve were obtained. On the basis of the exact geometric factors, ANFIS was used to build the final prediction model. A typical electro-hydranlic servo valve production was used to demonstrate the proposed prediction method.The prediction results showed that the proposed prediction method was more applicable than the artificial neural networks(ANN) in predicting the synthesis characteristics of electro-hydraulic servo valve, and the proposed prediction method was a powerful tool to predict synthesis characteristics of the electro-hydraulic servo valve. Moreover, with the use of the advantages of RS and ANFIS, the highly effective forecasting framework in this study can also be applied to other problems involving synthesis characteristics forecasting.     

一种基于自适应模糊神经网络的交通灯控制系统

交通灯控制是智能交通系统的一个重要部分,针对我国中等城市交通流具有模糊性、复杂性的特点,将模糊逻辑和神经网络相结合,采用模糊隶属函数来描述车辆排队长度和绿灯时间,建立了模糊神经网络交通灯信号控制模型。利用神经网络等技术对交通系统进行全局优化调度,并在此基础上形成调度指令,利用模糊控制的方法实现交叉口的交通灯控制。     

基于自适应模糊神经网络推理系统的齿轮箱故障诊断方法

研究利用从机械控制过程中获得的运行参数开发一种齿轮箱监测方法,而非振动与声音的传统测量方法。为了检测齿轮箱状态,采用一种自适应模糊神经推理系统来获取电机电流和控制参数之间的非线性相关性。比较自适应模糊神经推理系统模型产生的预测值和实测值来预测齿轮箱异常状态。试验结果表明,自适应模糊神经推理系统模型能够作为齿轮箱状态监测与故障检测的一种有效工具。     

基于89C51单片机的交通流量计数抽样仪的设计

介绍了一种适合于交通部门间歇式观测站和连续式观测站进行抽样的流量计数仪器，它以AT89C51为核心．具有低功耗、体积小、携带方便、价格便宜等特点。文章还给出了该仪器的硬件电路原理图和程序流程图，以及系统如何实现低功耗的方案。     

电梯群控系统标准客流模型的设计与实现

以电梯群控系统交通客流为研究对象,在深入分析客流模式的基础上提出了一种为电梯群控系统建立标准客流模型的方法,并按照模型设计实现了功能完备且具有实用价值的电梯交通系统客流发生器。该客流发生器能按照多种概率分布形式模拟产生客流数据,包括客流交通模式、各种客流分量比及乘客到达时间、初始楼层、目的楼层等群控系统仿真所必需的各种具体信息,以满足研究电梯群控系统对客流数据的需要。     

基于信息融合技术的交通量检测算法研究

针对智能交通系统中交通流数据采集及处理实时性和准确性的要求,设计了基于多传感器信息融合技术的交通量检测系统。首先构造了基于时间和空间特性的两级融合结构;然后分别设计了空间信息融合算法和时间信息融合算法,在分析融合算法特点及使用的基础上,对算法进行优化;最后对系统进行仿真实验。经过实验验证,该系统实时性强、准确性高,满足智能交通系统的需要。     

基于RBF网络的大滞后系统自适应预测PID控制器

针对大滞后系统滞后时间长,难以控制的特点,提出一种基于RBF网络的自适应预测P ID控制器。该控制器利用超前预测克服时滞,并采用基于RBF网络的P ID控制器在线调整控制器参数,从而控制系统的输出。应用该控制方法对大滞后一阶和二阶环节进行了仿真研究,结果表明该方法具有较快的系统响应,较强的自适应性和鲁棒性,控制设计简单等特点。     

基于鲁棒优化模型的单交叉口交通信号配时的研究

针对城市交通道路单交叉口多相位的控制问题,考虑到各相位交通流具有不确定性的特性,在以交叉口车均延误最小为控制目标的基础上,提出了基于情景的鲁棒优化模型,并针对该优化模型以相位绿灯时间和周期时长为控制变量,采用了遗传算法进行优化。最后,以某交叉路口为例进行了仿真实验,并将确定性模型与鲁棒模型的结果进行了对比。结果表明,鲁棒模型所求得的交通信号配时方案能够更为有效地应对交通流不确定性导致的随机差异,具有较强的鲁棒性。     

基于视频的交通流量的统计方法

交通流量的统计是智能交通系统的核心问题,准确并迅速地统计车流量对交通系统的控制提供了参考和保障。现在应用较多的车辆检测器有环形线圈检测器、微波检测器以及光电式检测器等,但是上述方法都存在硬件寿命不长,干扰较大等缺点。近年来随着计算机视觉技术的日益成熟,基于视频的检测技术得到了众多学者和专家的推崇。文章从车辆检测和车辆跟踪及统计两个方面介绍了基于视频的交通流量的统计方法。