基于事例推理技术在灌区水量调度中的应用

由于灌区水量调度问题的复杂性和不确定性,单纯利用调度模型进行灌区水量调度在实际应用中往往存在一些问题.为了使理论研究尽可能与实际应用相结合,将人工智能中的基于事例推理(CBR)技术引入到灌区水量调度中,将以往的灌区水量调度事例作为历史事例以一定的结构和方式存储在事例库中,对于新的灌区水量调度问题,从事例库中寻找相似的事例,并根据其调度方案,确定新问题的解决方案.实际箅例表明,对于灌区水量调度问题,基于事例推理的灌区水量调度能充分的将以往的调度经验结合起来,使得调度结果更合理、可行,具有较强的实用性.     

基于案例和规则推理的贝叶斯网建模

正确、高效地针对问题建立模型是应用贝叶斯网的关键,而从数据中学习贝叶斯网往往因为搜索空间庞大而效率低下.提出基于案例和规则推理的建模方法,建立领域知识库,使用框架和一阶概率逻辑表示贝叶斯网,当面对新的问题时,使用相似度和偏离度两个指标进行案例匹配,对选中的案例使用组合和剪枝技术修正,得到新问题的求解模型.整个过程以案例推理为主,并用规则推理辅助.这种方法能够复用历史案例,提高贝叶斯网建模效率.     

基于改进案例推理的钢结构破损原因诊断分析

为了更有效地寻找钢结构发生破损的原因,快速得出钢结构事故的处理方法与建议,建立了基于改进案例推理(case-based reasoning,CBR)方法,进行钢结构事故破损原因的诊断.根据钢结构事故案例分析结果的特点,提出用统一化、标准化的破损特征与原因关系矩阵来表达事故案例分析结果的方法,矩阵参数为可能度系数,表达特征与原因的引发关系,进而归纳所有案例得出该案例库的破损特征与原因关系经验矩阵,并且根据待求事故的特征,得出事故发生的主要原因.该方法已编译成计算机人工智能软件,可作为工程事故人员分析时有利的辅助工具.     

基于灰色系统的道路交通事故预测模型研究

交通事故预测是交通安全管理工作中的一个关键性问题，为了使道路交通安全工作顺利地进行，必须寻求及时、准确的预测交通事故的方法．在分析了道路交通事故具有灰色性特点的基础上，运用灰色系统理论，建立了一阶单变量的交通事故统计指标灰色预测模型，并给出了具体的应用实例．实践证明，该模型用于交通事故各项统计指标的预测，而且它较传统的预测方法更科学、更合理．     

GM（1，1）模型在道路交通事故预测中的应用

保证交通安全是交通管理者的首要目标,为了掌握交通事故的发展规律,及时采取有效的事故预防措施,对交通事故进行预测是一个非常重要的问题。在分析道路交通事故灰色性的基础上,运用灰色系统理论,构建道路交通事故GM（1,1）预测模型,以福建省道路交通事故统计数据为例,给出GM（1,1）模型的应用实例,预测结果与实际值的平均相对误差为1．54％,可见GM（1,1）模型的预测结果是可信的。     

电子执法对信号交叉口交通违法与交通事故的影响

为改进我国现有电子执法成效评估的对比分析方法存在的缺陷,在考虑均值回归与交通管理水平提升等影响因素后,借助概率论中的误差分析法,提出电子执法对交通事故影响的综合分析法．研究表明,我国道路电子执法对交通事故的影响要大于国外发达国家,电子执法在降低我国道路交通事故方面效果更显著,但我国电子执法在运行过程中会明显增加刮撞行人...     

机动车超速行驶交通事故的成因分析

高速公路的迅速发展以及汽车技术的不断改进,使车辆能够适应快速运输的要求,并带来了巨大的社会效益和经济效益.但机动车在高速公路上超速行驶产生的不安全因素也不可忽视,由此而造成的交通事故屡见不鲜,给社会和人们的生命财产造成极大的危害.为此,文中阐述了超速行驶对驾驶员交通特性、机动车辆使用性能的影响以及超速行驶产生的不良后果;提出在保证交通安全的前提下,既确保较高的运输效率,又不降低道路通行能力,驾驶员依据不同车型在良好道路上以经济车速行驶比较合理.     

CBR技术在印染自动配色系统中的应用研究

基于采用案例推理方法（Case-based reasoning）进行配色的思想，给出了基于CBR的印染配色系统的原型CBRMCs，对CBRMCS的配方库组织结构、配方检索、配方复用、学习调整等关键技术进行了探讨、并给出了这一技术的实验结果．     

基于ANN-CBR的雷达故障诊断系统研究

新体制雷达系统的复杂性增加了雷达故障诊断的难度.为保证新体制雷达工作的可靠性和维修性能,运用人工智能理论,将神经网络与案例推理相结合,提出了雷达故障诊断系统结构和基于RBF神经网络故障诊断模型,给出了雷达故障案例的表示方法及快速检索算法.最后,通过实例分析证明了模型及方法的合理性和有效性.     

基于双尺度长短期记忆网络的交通事故量预测模型

为了降低交通事故的发生、减少财产损失,建立新型交通事故量预测模型. 该模型利用双尺度分解方程将原始交通事故时间序列分解为多个子层,并利用长短期记忆（LSTM）网络对得到的低频子层进行预测;利用双尺度重构方程将低频子层的预测结果进行重构. 分别构建LSTM预测模型、门控循环单元(GRU)预测模型、自编码(SAEs)预测模型和双尺度长短期记忆网络(DS-LSTM)预测模型,利用这4个预测模型对2个数据集进行预测. 结果表明,本研究模型相较其他模型能够有效预测交通事故时间序列,且具有较强的鲁棒性. 对于2个数据集,相较于原始的LSTM模型,DS_LSTM预测模型预测准确度分别提高6%、28%;对2个不同数据库(利兹和UK)的测试表明本研究模型具有较好的泛化性能.     

面向软案例推理群体智能决策的决策者客观权重模型

在基于软案例推理群体智能决策环境和案例特征因素的分层假设前提下,根据决策者在案例推理关键步骤中贡献大小确定决策者的客观权重,包括:决策者抽取案例排他特征因素集合准确度确定的客观权重、案例一般特征因素向量准确度确定的客观权重和决策者在库存案例检索过程中贡献大小确定的客观权重,采用凸组合的方式进行归集,研究了面向软案例推理群体智能决策的决策者客观权重模型.基于决策经历的决策者客观权重模型有利于软案例推理群体智能决策环境中推理有效性的提高.