基于BP神经网络的车辆碳排放测算研究

研究轻型车辆碳排放测算方法,分析车辆碳排放与运行工况关系。基于车辆实际行驶污染物排放(Real Drive Emission, RDE)车载测试数据,以CO2当量CO2e代表碳排放,分析得出碳排放速率随车速、比功率(Vehicle Specific Power, VSP)增大而上升;运用BP (Back Propagation)神经网络算法建立车辆碳排放与车速、加速度、比功率多参数间非线性关系测算模型,计算得出世界轻型车测试循环(World Light Vehicle Test Cycle,WLTC)、新欧洲行驶循环(New European Driving Cycle, NEDC)和中国轻型商用车行驶工况(China Light-duty Vehicle Test Cycle-commercial Car,CLTC-C)3种台架测试循环工况下的碳排放因子。比较发现3种台架测试循环工况下的碳排放因子均高于实际道路行驶碳排放因子,其中WLTC下碳排放因子最高,其次是NEDC,再是CLTC-C,原因是加速度越大、车速越高的测试工况导致碳排放增加。     

基于BP神经网络的车辆动态称重技术

车辆动态称重对于控制超载运输或物流仓储等要求连续称重的场合具有重要作用。针对车辆动态称重的技术特点和工艺要求,分析动态称重过程的动力学模型,确定位移信号阶跃响应的最大超调量与车重之间的单调函数关系,提出1种基于BP神经网络预测最大超调量的动态称重计算方法,并在MATLAB环境下进行仿真分析,通过系统的学习和训练,完成了动态称重过程的车辆静态重量计算。结果表明,提出的动态称重算法可有效地提高车辆动态称重系统的称量精度,具有较高的实用价值。     

基于模糊综合评价和BP神经网络的车辆危险状态辨识

考虑驾驶员、车辆、环境和管理因素对车辆安全状态的影响,建立了车辆安全状态评价体系。采用模糊层次分析法确定了各评价指标的权重,利用岭型函数建立了评价指标对评价等级的隶属度函数,在Matlab神经网络工具箱中构建了车辆安全状态神经网络评价模型。采用预设故障的试验方法,利用车辆监测预警系统采集道路试验过程中车辆的运行状态参数。通过模糊综合评价得出神经网络所需的训练样本,运用训练好的BP神经网络对道路试验中车辆安全状态进行评价。道路试验结果表明:神经网络评价较模糊综合评价灵敏度更高、更准确,为车辆危险状态辨识提供了一种新方法。     

动态系统的自适应模糊神经网络控制

　Aim　To build an adaptive fuzzy neural controller and simulate it. Methods Fuzzy logic and back propagation(BP) algorithm are combined to utilize their advantages while avoiding the disadvantages. Results and Conclusion Simulation results of the third-order plant with disturbances and dead times show the validity of the presented controller. The presented controller can control cases that preceding controllers were unable to control.     

基于模糊自适应BP算法的工程造价估算

工程造价估算是工程建设管理的重要环节，应用BP网络进行估算快速方便，但是BP网络学习收敛速度较慢，学习效率较低，常不能保证全局收敛而导致学习失败，对其算法进行了改进，提出了一种模糊自适应BP算法，并通过一个工程实例，应用改进后的BP网络进行工程投资估算，结果表明，该方法可行，估算结果精度较高。     

基于模糊BP神经网络的抑郁症分诊系统

基于模糊逻辑和BP神经网络相结合的方式,提出了一种抑郁症的早期自动诊断方法,研究了抑郁症的分诊指标和分级标准的确定和模糊处理方法,把模糊量化的数据作为BP神经网络的输入,构建了合适的3层BP神经网络。仿真结果显示,综合运用模糊算法和BP神经网络的方法能达到优势互补的效果,构建的模糊神经网络用于抑郁症的诊断是可行的。     

基于模糊逻辑推理的BP神经网络及其应用

阐述了ＢＰ神经网络的原理及学习算法,在结合模糊逻辑推理的基础上提出了一种具有分层结构,能够进行规则自提取、自修正、自学习的复合模糊ＢＰ神经网络模型。这种模糊神经网络不仅可以充分利用原有的专家的经验和知识,而且能够从实际数据中通过不断学习获取新的知识和推理规则。同时,在相应的网络权值训练中引入了遗传算法和模糊逻辑控制器的优化求解思想。还进一步探讨了将这种网络模型用于汇率分析系统的形式和方法。     

基于BP神经网络的模糊PID风量控制

针对煤矿主风机通风系统多变量、非线性、时变滞后性等问题,提出一种基于BP神经网络的模糊PID算法。该算法综合神经网络、模糊控制与PID调节的各自优点,既具有神经网络的自学习和自适应能力,又具有模糊控制的非线性控制作用,同时兼备PID调节的广泛性。仿真结果表明,该算法的响应速度、稳态精度均优于传统的PID调节,取得比较理想的控制效果。     

动态递归模糊神经网络及其BP学习算法

提出了一种新型的动态递归模糊神经网络，并根据动态递归神经网络的数学模型推导出其动态反向传播学习算法，仿真结果表明对于动态系统的辨识，动态递归模糊神经网络较传统模糊神经网络在辨识精度和稳定性方面具有更好的效果。     

动态递归模糊神经网络及其BP学习算法

提出了一种新型的动态递归模糊神经网络,并根据动态递归神经网络的数学模型推导出其动态反向传播学习算法,仿真结果表明对于动态系统的辨识,动态递归模糊神经网络较传统模糊神经网络在辨识精度和稳定性方面具有更好的效果.     

基于模糊逻辑的学习率自调整BP神经网络

研究了一种基于模糊逻辑的学习率自调整BP算法.首先分析了传统BP算法,然后对基于模糊逻辑的学习率自调整的方法进行了研究,最后通过求解非线性函数逼近和异或问题对传统BP算法和改进BP算法进行对比.仿真结果表明,改进BP算法有效地改进了传统的BP算法.     

基于BP神经网络的彩色温度软测量

高温物体的温度不同,通过数码相机摄取的高温物体的颜色也不同,由此提出一种基于神经网络的图像颜色测温方法.选取RGB模型的R、G和B作为模式特征向量,用BP网络拟合高温物体的颜色和温度之间的非线性关系.实验结果表明,该方法精度高,运行速度快,切实可行.     

基于模糊神经网络的水下潜器多变量解耦控制研究

潜器在水下进行特殊作业时，需保持空间六自由度的定位姿态，对定位的控制存在叉影响，因而给潜器的精确控制带来困难。针对这一控制非线性系统，提出了一种基于模糊神经网络(DFN)控制方法，该方法对非线性多变量动态系统具有较强的处理能力；它将多输入多输出的复杂系统转变成神经网络设计和耦合补偿结构，预估补偿器方法是通过预定试验的离线学习，获得耦合的预估知识，然后在线完成补偿，仿真结果显示该方法具有很好的鲁棒性。     

基于ROC曲线优化的车辆行驶状态估计BP模型

针对现有行车状态估计器难以适应复杂非线性模型,结合BP神经网络在解决非线性系统方面表现出优良的性能,采用ROC曲线(受试者特征工作曲线)对BP神经网络算法进行优化,依据各个节点权重值的变化情况绘制学习机器相应的ROC曲线,将ROC曲线下方面积作为各个节点权重值选取的唯一准则,每次在同一节点进行变步长的搜索(大步长和小步长),并根据不同步长的搜索结果确定下一次步长的大小,以确定最佳的权重值,最后以波动性较强的车辆横摆角速度作为样例对算法进行验证.研究结果表明:通过ROC对其性能的评价,加速了BP网络的收敛速度,在一定程度上避免了出现局部最小值的情况,提高了模型的容错能力;优化后的模型在5%误判率的情况下有较高的击中概率,表现出更强的泛化能力,适应性更强.     

结合自适应遗传算法与弹性BP神经网络的亚硝酸盐预测模型

针对目前营养盐检测主要是通过化学方法实现,无法获得在线检测的问题,利用营养盐与其影响因子之间的关系,提出结合自适应遗传算法与弹性BP神经网络的预测模型.利用改进的自适应遗传算法,通过交叉、变异获取弹性BP神经网络的初始权值与阈值,加速预测过程.该模型通过营养盐影响因子数据,预测亚硝酸盐浓度.仿真结果表明:基于弹性BP神经网络的预测模型预测营养盐浓度是可行的,其预测得到的亚硝酸盐浓度值的相对误差主要集中于0~30%;结合自适应遗传算法与弹性BP神经网络的预测模型的预测效果好于基于弹性BP神经网络的预测模型.     

基于BP神经网络的工程车辆四参数自动变速控制

为了提高工程车辆传动系统效率,采用前馈网络反向传播(BP)神经网络对工程车辆四参数自动变速系统进行建模,利用自动变速控制试验数据对BP神经网络进行训练,并进行了验证性仿真试验。仿真结果表明,BP神经网络能够根据车辆运行状态确定最佳档位,进一步提高工程车辆传动系统效率,达到节能增效的目的。     

基于模糊神经网络的系统模糊建模方法

提出了一种基于模糊聚类和模糊神经网络的模糊建模方法,该方法首先利用模糊聚类技术来确定系统的模糊空间和模糊规则数,然后利用模糊神经来调整模型的前件参数和后件参数,给出了详细的算法,并对仿真实例进行了研究,仿真实例表明,采用聚类技术能够获得好的初始值,使得计算加快,能够取得满意的结果。     

Movement scope of strata based on fuzzy BP neural network in underground metal mines

A prediction method of strata movement in underground metal mines is put forward, in which fuzzy BP neural network is applied. The results show that there is a strong nonlinear relation between the selected factors and strata movement angle, the anticipant and the actual output results are very similar. It is proved that the numerical value of movement angle is correlated with the selected factors in theory. The scope of strata and surface movement due to mining can be predicted. This research provides a thought to study the movement scope of strata due to mining.