车辆智能型主动安全系统

本文介绍了一种新的车辆智能型主动安全系统，系统运用分布式ECU，采用激光测距仪、超声波测距仪、红外测距仪对行驶车辆的周边环境状况实时监测，并进一步利用模糊神经网络模型判断路障和汽车周边的动态和静态状况，预测事故发生的可能。在危急状态，自动选择有效的避让或防御措施来防止事故发生，并采用声光报警，从而保证车辆的安全行驶。以     

基于模糊RBF神经网络的函数逼近

提出了一种模糊RBF网络,将模糊逻辑的知识表达以及推理能力和RBF网络的快速学习和泛化能力结合起来,网络结构参数可按实际问题调整,仿真表明网络具有较快的学习速度和较高的函数逼近精度。     

车辆主动安全系统智能分布式控制研究

系统运用分布式ECU,采用激光测距仪、超声波测距仪、红外测距仪对行驶车辆的周边环境状况实时监测,利用模糊神经网模型进行判断与决策,预测事故发生的可能.在危急状态,自动选择有效的避让或防御措施防止事故发生,并采用声光报警,从而保证车辆的安全行驶.笔者利用智能分布式控制技术开发的车辆智能型主动安全系统在使用中效果良好.     

电力公司网络运行安全管理

随着企业信息化进程的不断推进,信息化成为电力企业集团化运作、集约化发展、精细化管理的重要推动力。该文结合电力公司网络运行管理实际,就如何实现信息网络的安全稳定运行、提高运行效率、提升运行管理水平提出构想及解决方案。     

智能交通仿真与车辆Agent决策策略的研究

文章介绍了Agent技术及特点,根据Agent的原理及其仿真的优势,着重叙述了Agent技术在交通仿真中的应用,详细探讨了基于Agent的智能仿真系统中车辆Agent的决策特点及模糊决策方法,同时,还分析了驾驶员因素对驾驶行为的影响。     

认知无线网络动态频谱感知决策安全协议框架研究

对认知网络频谱感知安全研究现状进行了分析, 提出了一个频谱感知决策安全协议框架。对认知无线网络模型中相关组件、符号进行了定义, 并对其结构和安全性进行了详细描述。通过与相关方案比较, 结果表明该协议框架能够用来抵御频谱感知所面临的潜在威胁, 使之进行正确的频谱决策。     

基于队列行驶的车联网安全通信研究

基于队列的驾驶模式能够有效提高道路的通行能力和能源效率,在此基础上,研究了基于队列的车辆网络在有窃听者存在下的无线连接性能,推导出队列内、队列外和整个网络的安全连通概率,以分别描述单个队列、两个队列和所有队列组成的网络。仿真结果表明,影响连接性能的系统参数包括传输范围、窃听者数量和车辆密度,且存在最优车辆密度使安全连接性能达到最佳。     

车辆安全行驶状态判别模型及其应用研究

随着汽车时代的到来,对车辆安全技术的研究不断深入,但在如何更真实地判别车辆的安全行驶状态方面的研究,还几乎是一个空白.本文从人、车、路、天气等多方面入手研究了一种真实环境下车辆安全行驶状态判别模型,并将该模型应用于车辆防碰撞系统中,具有较大现实意义和显著效果.     

基于模糊神经网络的车辆跟驰决策的研究

为了减少高速公路车辆跟驰行驶过程中引发的追尾碰撞事故,并保证行车效率,对高速公路车辆跟驰行为进行了分析.本文基于模糊控制和神经网络等理论知识,建立了一种正则化模糊神经网络跟驰控制决策模型.实验仿真表明,该模型系统较好的反应了一定道路条件下的车辆跟驰行为,且系统响应速度快,控制精度高,保证了车辆跟驰行驶的安全性和行车效率.     

基于自适应RBF神经网络的超空泡航行体反演控制

针对超空泡航行体姿轨控制普遍存在的模型不确定性问题进行相关研究.为此, 首先对其动力学特性进行分析, 并建立了超空泡航行体的动力学名义模型, 随后将其改写为不确定反馈系统, 然后利用反演控制方法设计超空泡航行体姿轨控制器, 针对模型中的未知函数利用径向基函数(Radial basis function, RBF)神经网络进行逼近并补偿, 由基于Lyapunov稳定理论设计的自适应方法计算神经网络的权重, 并给出稳定性证明.仿真研究验证了控制器设计的有效性.     

基于自组织模糊RBF网络的连续空间Q学习

针对连续空间下的强化学习控制问题,提出了一种基于自组织模糊RBF网络的Q学习方法．网络的输入为状态,输出为连续动作及其Q值,从而实现了“连续状态—连续动作”的映射关系．首先将连续动作空间离散化为确定数目的离散动作,采用完全贪婪策略选取具有最大Q值的离散动作作为每条模糊规则的局部获胜动作．然后采用命令融合机制对获胜的离散动作按其效用值进行加权,得到实际作用于系统的连续动作．另外,为简化网络结构和提高学习速度,采用改进的RAN算法和梯度下降法分别对网络的结构和参数进行在线自适应调整．倒立摆平衡控制的仿真结果验证了所提Q学习方法的有效性．     

一种改进的RBF网络结构及其参数的设计方法

针对神经网络在学习之后,模糊系统的原始结构被改变,或削弱了规则可解释性这一模糊系统突出特点的问题,给出了一种提取模糊If-then规则的径向基函数(RBF)神经网络结构。该神经网络结构具有能够同时清晰表达模糊控制系统输入空间划分和模糊规则可解释性的特点,克服了以往用神经网络提取模糊规则不能直观体现模糊语言规则可解释性的不足,并详细地讨论了此网络结构参数的设计方法。     

一种基于RBF网络提取模糊规则的算法实现

径向基函数网络和模糊推理系统在一些柔和的情况下具有等价的功能,因此可以利用神经网络的学习算法来调节模糊系统的参数,学习后的模糊系统具有自学习和自组织性,但是削弱了模糊系统的可解释性。将模糊逻辑推理与神经网络控制技术相结合,分析了一种改进的径向基函数(RBF)神经网络结构,这种模糊神经网络结构能够有效地表达模糊系统可解释性这一突出特点,也使模糊系统具有了较好的自学习和自组织能力、通过VC 实现了基于这种RBF网络结构提取模糊规则的算法,并进行了仿真实验,仿真结果表明该算法是比较有效的。     

遗传优化的径向基函数船舶模糊控制器

研究径向基函数模糊神经网络在船舶控制器设计中的应用 ,设计了一个新型的径向基函数模糊神经网络控制器用以适应船舶在时变和不确定环境下的控制性能要求 .控制器设计的主导思想是在传统的径向基函数神经网络中增加一个模糊隐层 ,并采用遗传算法对控制器参数进行优化 .与传统方法相比 ,控制器模糊规则库的设计过程所需的先验知识更少 .最后采用Matlab 6 .1的Simulink工具以船舶运动模型为对象进行了船舶控制的仿真试验 ,结果证明了其有效性     

基于RBF神经网络的传感器非线性误差校正方法

介绍了利用人工神经网络进行传感器非线性误差校正的原理。提出了传感器非线性误差校正的径向基函数(RBF)神经网络方法,并与采用BP神经网络校正非线性误差进行了比较。最后给出了一个仿真实验,实验结果表明:采用RBF神经网络可以明显提高网络收敛速度,大大减小传感器非线性误差,校正效果优于BP神经网络。     

基于RBF神经网络的空间插值法在空气质量监测中的应用

针对我国现有大气监测站点数量有限且离散,采集的数据不能代表整个区域的空气质量等问题,提出基于RBF神经网络的空间插值法应用于空气质量的监测,以经纬度和邻近点污染物浓度为输入,建立插值点与地理坐标和邻近点之间的对应关系.实验结果表明:该方法具有较高的插值精度,为预测未知空间数据值提供了有效的处理方法,同时为大气污染治理和控制提供理论依据.     

An improved adaptive online neural control for robot manipulator systems using integral Barrier Lyapunov functions

Conventional Neural Network (NN) control for robots uses radial basis function (RBF) and for n-link robot with online control, the number of nodes and weighting matrix increases exponentially, which requires a number of calculations to be performed within a very short duration of time. This consumes a large amount of computational memory and may subsequently result in system failure. To avoid this problem, this paper proposes an innovative NN robot control using a dimension compressed RBF (DCRBF) for a class of n-degree of freedom (DOF) robot with full-state constraints. The proposed DCRBF NN control scheme can compress the nodes and weighting matrix greatly and provide an output that meets the prescribed tracking performance. Additionally, adaption laws are designed to compensate for the internal and external uncertainties. Finally, the effectiveness of the proposed method has been verified by simulations. The results indicate that the proposed method, integral Barrier Lyapunov Functions (iBLF), avoids the existing defects of Barrier Lyapunov Functions (BLF) and prevents the constraint violations.     

基于径向基函数网络的浮游植物活体三维荧光光谱分类

将小波变换与神经网络相结合,对浮游植物活体的三维荧光光谱进行分类．首先利用小波变换对数据进行压缩,然后利用径向基函数（Radial Basis Function,RBF）神经网络对光谱曲线进行逼近,从而进行物种的识别,平均识别率高达95．8％．结果表明,该方法较传统的统计方法更方便、准确率更高．     

基于混沌映射的非径向对称基函数的神经网络模型

为提高神经网络模型的预测精度,构建了非径向对称基函数神经网络模型结构。为确定非径向对称基函数神经网络模型参数,采用Ulam-von Neumann映射规则确定混沌变量,利用混沌变量的遍历性获得不同网络结构参数下的最优网络输出,以减少所构建网络模型的实际输出与期望输出的差值,并利用模型输出的误差变化率以决定是否增加新的隐层节点。给出基于混沌映射的非径向对称基函数的网络模型构建步骤。采用基于Mackey-Glass时滞微分方程的混沌时间序列预测问题验证该模型的预测精度,并同其他文献对该序列预测的精度以及所需隐层节点数作对比。比较结果表明,采用该设计模型具有对时间序列预测精度高且所需网络结构规模小等优点。