遥感影像投影寻踪回归分类模型

将投影寻踪回归分析技术引入遥感影像分类中,详尽叙述遥感影像投影寻踪回归分类模型的建立和实现过程。将广州地区的TM影像用于分类实验,并用混合蛙跳算法来优化投影寻踪回归分类模型中的参数矩阵,取得了较为理想的分类效果。此外,还进一步分析了投影中心的设定、调整以及优化算法和岭函数个数对投影寻踪回归模型分类精度的影响。实验结果表明,该模型易于优化实现,稳定性强,模型中岭函数的个数对投影寻踪回归模型的分类精度没有显著影响。     

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.     

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.     

考虑速度对期望间距影响的车辆跟驰模型研究

为了真实地反映驾驶员在道路行驶中的车辆跟驰机理,使用相关性分析方法找出影响期望间距的关键因素,从而提出改进的基于期望间距的车辆跟驰模型(improved desired distance model,IDDM).利用NGSIM数据对IDDM和经典的Gipps车辆跟驰模型的参数进行了标定,之后对标定的模型进行评价.研究结果表明,前后两车的速度以及相对速度主要影响跟驰过程中驾驶员采用的期望间距;IDDM与传统Gipps模型相比,其加速度、速度与位置的仿真精度分别提高了0.24 m/s2、0.72 m/s、0.53 m,可以为车辆跟驰行为分析提供参考.     

一种基于AFSA的神经网络投影寻踪耦合回归模型

人工鱼群算法是通过模仿鱼群的觅食、聚群和追尾等行为寻找最佳觅食水域从而实现全局寻优的优化算法。应用神经网络的投影寻踪耦合回归模型存在优化问题,学习过程中运用人工鱼群算法进行优化,进而获得最佳的投影方向、阈值和正交Hermite多项式系数。本文描述了应用人工鱼群算法优化的神经网络投影寻踪耦合回归模型算法。仿真实验结果表明,该算法可以获得满意的预测效果。     

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.     

5G环境下车联网跟驰模型

针对现有跟驰模型的不足,提出一种5G环境下车联网实时稳定(current time stabilization,CTS)模型。该跟驰模型首先考虑了网络时延的时变性对跟驰模型的影响,其次考虑了由网络时延带来的对车辆实时速度、加速度、驾驶员反应时间的影响,从而保证CTS模型更符合实际驾驶情况。从理论上推导出跟驰模型的临界稳定性条件。仿真结果表明,当网络时延不同时,随着网络时延的降低,CTS模型的稳定性不断升高;在相同扰动下,CTS模型比传统优化速度(optimal velocity,OV)跟驰模型的稳定性提高了32.5%。     

基于跟驰模型的隧道群交通流仿真与分析

针对高速公路隧道群的特殊交通环境,通过分析车辆在隧道群路段的行驶特征,提出基于隧道群的广义力跟驰模型。根据两座隧道间的间距长度不同,分别给出了车辆速度变化、车队的平均车速,以及车队的时空分布图。从微观和宏观两方面分析了交通流的变化过程。研究结果表明,头车较大的减速会造成后随车辆的速度振荡,但该振荡会沿着与速度相反的方向逐渐减弱;隧道入口处和出口处的平均速度均较低;上游隧道入口处及其过渡段会形成较长的拥挤路段,且隧道群比连续隧道对于道路通行能力的影响更大。     

汽车跟驰状态下驾驶员反应时间研究

驾驶员反应时间是评价驾驶安全性的重要指标之一。本研究采用互相关分析法与灰色关联分析法相结合的方式对驾驶员反应时间进行标定,并结合简单反应时间、复杂反应时间双正态分布的理论假设,通过大量的实测数据对假设的合理性进行验证。结果表明,理论假设能够很好地解释反应时间的实测数据,反应时间的实测数据可以由这两个正态分布的混合分布来拟合。对跟驰状态下反应时间的深入研究,为驾驶员形成进一步的行动方案和提升驾驶安全性提供重要的理论参考。     

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。     

Connectionist projection pursuit regression

We present a novel regression method that combines projection pursuit regression with feed forward neural networks. The algorithm is presented and compared to standard neural network learning. Connectionist projection pursuit regression (CPPR) is applied to modelling the U.S. average dollar-Deutsch mark exchange rate movement using several economic indicators. The performance of CPPR is compared with the performances of other approaches to this problem.     

遗传-粒子群的投影寻踪模型

以前的投影寻踪研究都是采用遗传算法来寻找最优的投影方向,但遗传算法对初始种群的选择有一定的依赖性,收敛速度较慢,而且得到的也未必是最优解。粒子群算法是一种模拟鸟群飞行觅食的行为,通过个体之间的协作来寻找最优解的进化计算技术。根据遗传算法和粒子群算法的优缺点,将两者有效地结合在一起,提出了遗传-粒子群的投影寻踪模型。该方法能有效地解决投影寻踪模型中投影方向的寻优问题,并将该方法应用于文本分类,在Reuters-21578文档集上分别采用KNN和朴素贝叶斯方法进行实验,结果表明此方法能有效提取投影方向,取得了满意的分类效果,也提高了算法收敛到最优解的能力。     

Combining topographic map formation with projection pursuit learning for nonparametric regression analysis

The original Self-Organizing Map (SOM) algorithm is known to perform poorly on regression problems due to the occurrence of nonfunctional mappings. Recently, we have introduced an unsupervised learning rule, called the Maximum Entropy learning Rule (MER), which performs topographic map formation without using a neighborhood function. In the present paper, MER is extended with a neighborhood function and applied to nonparametric projection pursuit regression. The extended rule, called eMER, alleviates the occurrence of nonfunctional mappings. The performance of our regression procedure is quantified and compared to other neural network-based parametric and nonparametric regression procedures.     

考虑后视和最优速度记忆的跟驰模型及仿真

为提高交通流的稳定性,在考虑后视效应和速度差信息（Backward Looking and Velocity Difference,BLVD）模型的基础上,综合考虑后视和最优速度记忆效应,提出了一个扩展的跟驰模型。采用线性稳定性分析,推导出该模型的交通流稳定判据,发现在模型中引入后视和最优速度记忆效应的共同作用后,交通流的稳定区域有明显增大。通过数值仿真验证了理论分析,仿真结果表明：在初始扰动相同的条件下,与BLVD模型相比,新提出的扩展模型具有更好的交通流致稳性能。最后,使用NGSIM数据对所提出的跟驰模型进行参数标定和评价,证明其能更准确地刻画车流演变规律。     

非参数投影寻踪回归在粉煤灰混凝土强度预测中的应用

为了进一步优化粉煤灰混凝土配合比设计,改进混凝土施工工艺,提高混凝土质量.针对粉煤灰混凝土强度与其影响因素之间复杂的非线性关系,通过对影响粉煤灰混凝土强度的主要因素进行分析,提出了基于投影寻踪回归分析的粉煤灰混凝土强度预测模型,用单纯形优化算法确定最佳投影方向,并在Matlab环境下编写了相应的计算程序.利用某工程粉煤灰混凝土配合比的实测数据,进行粉煤灰混凝土强度的预测.实验结果表明,该方法具有较高的拟合度和良好的预测精度,满足工程实际要求.     

考虑前车加速度信息的跟驰模型及数值模拟

为了改进最优速度（OV）跟驰模型只考虑车间距因素对车辆跟驰行为影响的不足,在考虑前导车加速度信息对后车跟驰行为影响的基础上,提出了一种改进OV跟驰模型。并利用小振幅扰动法对模型进行了线性稳定性分析,得到了模型的稳定性条件,对改进OV模型进行了数值模拟。仿真结果表明,与传统OV模型相比,考虑前导车加速度信息对跟驰车的影响后,交通流的稳定区域显著增加,改进OV模型能有效抑制交通流的堵塞。     

一种基于混合PSO的投影寻踪动态聚类模型

针对粒子群算法容易陷入局部最优解,将遗传算法的交叉和变异引入到粒子群算法中。根据不同的收敛情况及交叉和变异的特点使用两种算子,提出一种既能预防陷入局部最优解又能跳出局部最优解的混合粒子群算法,将该算法应用到投影寻踪动态聚类模型中来优化投影方向,得到近似最好的投影寻踪动态聚类模型。实验证明,相对于原始粒子群算法,该方法可以有效地避免陷入局部最优解,而且投影效果也更好。