基于双向GRU与残差拟合的车辆跟驰建模

为了提高微观交通仿真中车辆跟驰建模的准确性与泛化能力,将物理类模型与深度学习相结合,提出一种基于双向GRU(门控循环单元)与残差拟合的跟驰模型框架.该框架使用双向GRU网络对物理类跟驰模型预测值与真实值的残差进行学习,并在NGSIM公开数据集上进行测试.通过对比IDM、GIPPS、GM三种跟驰模型下的残差拟合效果,表明...     

基于改进最优速度的车辆跟驰模型及数值模拟

为了克服传统最优速度模型(OVM)单一考虑车间距对最优速度影响的不足,在同时考虑跟驰车与前导车之间的车间距和相对速度对后车跟驰行为影响的基础上,提出一种基于改进最优速度的车辆跟驰模型。通过对模型线性稳定性分析,得到改进模型的稳定性条件,并与OV模型进行比较,发现改进模型的稳定区域显著增加。最后对改进模型进行数值仿真,结果表明基于改进最优速度的车辆跟驰模型能明显增强交通流的稳定性。     

一类时变时滞车辆跟驰模型的稳定性控制

为了研究交通拥堵问题,同时了解交通拥挤形成的过程以及驾驶员自身特性对交通流稳定性的影响.本文基于复杂网络同步理论,对一类考虑前后车效应的时变时滞最优速度车辆跟驰模型的稳定性进行了研究.利用Lyapunov稳定性理论,通过设计基于速度和车头间距的自适应控制器使得该车辆跟驰模型趋于稳定,并得到了模型稳定性的条件.此外,在车辆受到随机外部扰动的情形下,研究了该模型的稳定性.最后,采用MATLAB仿真技术进行了数值模拟,结果表明在本文设计的控制器下,考虑前后车效应的时变时滞最优速度车辆跟驰模型快速趋于稳定,拥堵现象得到了有效的缓解.     

基于模糊聚类的车辆跟驰隶属度函数确定方法

当前研究确定车辆跟驰模糊推理隶属度函数时所采用的方法主要是专家法,不能精确获得车辆跟驰隶属度函数。针对于此,提出根据模糊聚类分析的方法,考虑车辆跟驰数据内部的关联性,利用基于高斯函数的隶属度函数确定方法,进行车辆跟驰模糊集的划分和隶属度函数的确定。使用真实的车辆轨迹数据,将后车速度、前后车相对速度、车间距作为输入变量,后车加速度作为输出变量建立模糊推理系统,对论文提出的基于模糊聚类的车辆跟驰隶属度函数确定方法进行评价。结果表明：本文提出的新方法能真实反映数据本身的特征和驾驶员的心理生理特性,其推理结果与真实数据误差较小,可用于分析模糊推理的车辆跟驰行为特点。     

基于改进DDPG算法的车辆低速跟驰行为决策研究

车辆跟驰行为决策研究对于车辆跟驰驾驶技术的发展至关重要,以深度强化学习方法研究车辆低速跟驰场景,提出了一种改进型DDPG决策算法,该算法在DDPG算法的基础上,结合了CBF控制器以进行安全补偿控制与策略探索指导;同时,设计了符合低速跟驰期望目标的奖励函数。在对比实验中,通过高斯过程模型模拟跟驰车队系统,分别用DDPG算法和DDPG-CBF改进算法控制其中一辆车的跟驰行为,实验结果表明,相比于DDPG算法,DDPG-CBF改进算法可以更有效地保证跟驰决策的安全性,同时具有更高的学习效率,能够应用于车辆低速跟驰场景。     

基于横纵向联合控制的多目标优化车辆跟驰研究

为解决车辆在拥堵环境中因车速波动较大所带来的跟驰平稳性较差、跟踪无效或不安全等问题,提出了基于车辆模型和深度强化学习的多目标优化跟驰方案。首先基于车辆横纵向动力学建立车辆跟驰模型,然后根据车间距误差、速度误差、横向偏差及相对偏航角等,利用深度确定性策略梯度算法得到跟驰车的加速度和转向角,以更平稳安全地控制跟驰车辆。经NGSIM公开驾驶数据集进行测试与验证,该方案可有效地提升跟驰车辆的稳定、舒适与安全性,对保证交通安全和提升道路通行能力具有重要意义。     

车辆跟驰投影寻踪回归模型

车辆跟驰模型是微观交通仿真的一个基本模型,基于非参数回归算法的跟车模型较好地解决了以往模型存在的典型问题,但随着样本维数增加,容易出现“维数祸根”现象。提出一种基于投影寻踪回归（PPR）技术的车辆跟驰模型,解决了“维数祸根”和高维数据间的非正态、非线性问题。PPR建模不需要对数据结构作任何假定,而只通过直接审视和分析数据进行建模,因此,该方法能充分地发掘数据中存在的信息,建立的模型符合客观实际,精度较高。经过实测数据验证,该算法用于车辆跟驰模型的研究是可行的。     

ARIMA-SVM组合模型驱动下的瓦斯浓度预测研究

针对单一瓦斯预测模型挖掘矿井瓦斯浓度时间序列全部特征能力较弱的问题,提出了一种基于自回归滑动平均模型（ARIMA）和支持向量机（SVM）模型的组合预测模型,并采用该模型对瓦斯浓度进行预测。首先,分别应用ARIMA模型和SVM模型对实验数据进行预测分析,得到2种单一模型预测结果。其次,结合自相关函数和偏自相关函数及贝叶斯准则,得到最优ARIMA模型为ARIMA(1,1,2),通过核函数等参数寻优,确立最优SVM模型,从而建立ARIMA-SVM组合模型。利用ARIMA模型处理瓦斯浓度时间序列的历史数据,得到相应的线性预测结果和残差序列,利用SVM模型进一步对数据残差序列中的非线性因素进行分析,得到非线性预测结果,将2个模型的预测结果进行组合,得到目标瓦斯时间序列最终预测结果。实验结果表明：(1) ARIMA-SVM组合模型预测结果与矿井实际数据的拟合度优于ARIMA模型和SVM模型。(2)相对于ARIMA模型、SVM模型,ARIMA-SVM组合模型的误差大幅度减小,且预测结果明显优于单一模型。(3) ARIMA-SVM组合模型的平均绝对误差、平均绝对百分比误差及均方根误差均为最小,表明AR...     

前后车辆最优速度差跟驰模型与数值仿真

为了克服经典最优速度（OV）模型仅依据车间距单一因素调整跟驰车最优速度的局限性,在考虑前导车与跟驰车最优速度差信息对交通流稳定性影响的基础上,提出了一种改进的最优速度差（OVD）模型,并通过小振幅摄动法对模型进行了稳定性分析,推导了模型的稳定性条件。最后对改进OVD模型进行了数值仿真。通过线性稳定性分析,发现考虑前后车辆最优速度差后,自由流稳定的临界驾驶员反应灵敏度系数明显减小,稳定区域显著增加。仿真结果表明,与OV跟驰模型相比,在相同初始扰动条件下,改进OVD模型能够明显增强交通流的稳定性。     

信号灯作用下的车辆跟驰行为研究

跟驰模型是交通流理论的研究热点.在分析了目前交通流跟驰理沦的基础上,探讨了信号灯对车辆跟驰行为的影响,提出了改进的交通流跟驰模型.该模型以信号控制交叉口为主要研究区域,以车头间距和信号灯颜色状态作为输入,以车辆跟驰状态为输出,从而建立了分段函数模型,并用仿真软件进行了实验验证,结果证明了模型的可行性.最后,对该研究方向进行了展望.     

A hybrid particle swarm optimization and its application in neural networks

In this paper, a novel particle swarm optimization model for radial basis function neural networks (RBFNN) using hybrid algorithms to solve classification problems is proposed. In the model, linearly decreased inertia weight of each particle (ALPSO) can be automatically calculated according to fitness value. The proposed ALPSO algorithm was compared with various well-known PSO algorithms on benchmark test functions with and without rotation. Besides, a modified fisher ratio class separability measure (MFRCSM) was used to select the initial hidden centers of radial basis function neural networks, and then orthogonal least square algorithm (OLSA) combined with the proposed ALPSO was employed to further optimize the structure of the RBFNN including the weights and controlling parameters. The proposed optimization model integrating MFRCSM, OLSA and ALPSO (MOA-RBFNN) is validated by testing various benchmark classification problems. The experimental results show that the proposed optimization method outperforms the conventional methods and approaches proposed in recent literature.     

一种基于模糊径向基神经网络的图像融合方法

传统的基于区域特征图像融合方法的一个难点是各源图像最佳权值的分配问题。该文利用径向基神经网络与T-S模糊推理模型具有函数等价性的特点,设计了一种模糊推理神经网络实现基于区域特征的图像融合,并用遗传算法优化网络参数。该网络能够自适应地动态获取优化的图像融合权值参数。仿真实验表明该算法有效可行,通过与传统的基于区域特征的图像融合算法相比,融合性能得到明显改善。     

用于遥感图象分类的神经网络的构造

径向基子数神经网络和多层感知器神经网络具有相似的拓扑结构,它们大都用于目标的分类。对两种模型进行了比较,提出了一个构造径向基函数神经网络分类器的有效方法,并把构造的分类器用于遥感图象的分类实验,取得了比较好的结果。     

RBF网络分类器的实现及应用

径向基函数神经网络通过中间层神经元的非线性传递,能够实现任意的从输入空间到输出空间的映射,因此大都用于目标分类。本文利用快速聚类和统计的方法确定网络的中间层及中间层到输出层间的权值,并把构造的分类器用于遥感图象目标分类识别实验,取得了比较好的结果。     

A relational framework for smart information delivery manual (IDM) specifications

This study proposes a relational framework for standardized machine-applicable, readable, and transferable (smart) information delivery manual (IDM) specifications. As the demand for projects using building information modeling (BIM) increases, there is a more acute awareness and need for clearly defined information requirements to support the BIM projects. The ISO 29481-1 IDM standard defines how to specify exchange requirements (ERs) and their use cases (UCs) using a process map (PM). However, IDM specifications are currently not easily sharable or reusable due to the lack of a commonly accepted standard data schema. This study overcomes this problem by identifying definitions and relationships of IDM components to develop the relational framework for an IDM data schema. An extensive review of existing IDM-related documents and standards, and iterative international meetings, were conducted by 46 international IDM experts from 16 countries. A consensus on the relational framework was then reached through three Delphi survey rounds. The formalized relational IDM framework lays a foundation for further developing an IDM data schema as an international standard.     

基于EMD和RBFNN的冷负荷组合预测模型

针对冷负荷预测问题,提出了一种基于相空间重构（PSR）、经验模态分解(EMD) 和径向基神经网络(RBFNN) 的 冷负荷组合预测模型。该模型首先利用经验模态分解方法,把冷负荷序列分解为少数模态分量,然后利用分组分量法将其分 为多个高频子分量、总低频分量和残余量,最后以PSR为基础对各分量利用RBFNN方法建模并将预测结果重构。该方法应 用于实际冷站负荷预测后,与单一RBFNN、SVM、LSSVM及基于EMD的SVM、基于EMD的RBFNN5类方法进行比较,结果 表明该方法对冷负荷预测精度有明显提高。     

基于冗余任务消减的边缘应用性能优化

在增强现实应用中,距离较近的多个用户请求很可能是相似或者相同的,从而导致同样的计算任务被重复执行.针对该问题,设计基于冗余任务消减的计算任务缓存系统.通过在边缘节点设计任务缓存,使边缘服务器以自组织方式维护全局缓存.对客户端请求时延、用户轨迹、节点部署和总时延进行建模,基于此研究基站上边缘服务器的计算资源部署问题,在给...     

Neural adaptive global stability control for robot manipulators with time‐varying output constraints

In this paper, a novel adaptive control scheme is proposed based on radial basis function neural network (RBFNN). The considered system is deduced by the structure of RBFNN with nonzero time‐varying parameter that installed in the fore‐end and terminal of RBFNN. With this structure and the Taylor expansion of any smooth continuous nonlinear function, a universal approximation of RBFNN is addressed according to the analysis of the character of continuous homogenous function and the Euler's theorem. The approximation accuracies can be adjusted online by the nonzero time‐varying parameter in the device with the degree of continuous homogenous function, which expand the semiglobally stability to global stability over conventional neural controller design approaches. Based on the theory analysis of barrier Lyapunov function, the violation of time‐varying constraints can be subjugated without wrecked. Finally, simulation results are carried out to verify the effectiveness by the design methods.     

A New Robust Adaptive Neural Network Backstepping Control for Single Machine Infinite Power System With TCSC

For a single machine infinite power system with thyristor controlled series compensation (TCSC) device, which is affected by system model uncertainties, nonlinear time-delays and external unknown disturbances, we present a robust adaptive backstepping control scheme based on the radial basis function neural network (RBFNN). The RBFNN is introduced to approximate the complex nonlinear function involving uncertainties and external unknown disturbances, and meanwhile a new robust term is constructed to further estimate the system residual error, which removes the requirement of knowing the upper bound of the disturbances and uncertainty terms. The stability analysis of the power system is presented based on the Lyapunov function, which can guarantee the uniform ultimate boundedness (UUB) of all parameters and states of the whole closed-loop system. A comparison is made between the RBFNN-based robust adaptive control and the general backstepping control in the simulation part to verify the effectiveness of the proposed control scheme.