交叉路口自适应控制模型应用研究

本文在对交通流数据进行分析与处理的基础上，建立了单点自适应控制模型，并基于多相位信号机对模型的有效性进行了测试与验证。     

瞬态信号测试的自适应采样策略

本文研究了瞬态信号测试过程中采样原理和采样设计所面临的基本问题，依据多项式预测器的数学模型，研究提出适用于瞬态信号测试的自适应采样策略，给出零阶和一阶自适应采样算法，并给出了软件模拟结果。     

Elman与Bp神经网络应用于交通流预测的对比研究

将动态神经网络Elman应用于交通流预测中,通过对比应用较为广泛的Bp神经网络,对实际监测到的一组数据进行学习、仿真和预测。结果表明,Elman网络在对具有动态特性的交通流预测中,具有比Bp网络更好的预测效果。     

基于神经网络的机器人模型参考自适应控制的研究

提出一种新的基于神经网络的机器人模型参考自适应控制方法,采用动态对角回归神经网络作为辨识器和控制器,实现了机器人轨迹跟踪的最小误差控制,给出了神经网络的学习算法,通过实例仿真证明了控制方法应用于未知模型机器人系统的正确性和有效性。     

结构振动的自适应反馈预测控制研究

研究一种周期扰力作用下的自适应反馈预测实时控制方法，并将其应用到结构振动控制中。采用RLS算法处理在线辨识问题，根据辨识结果直接进行反馈预测控制的设计。实时控制中，辨识和控制的计算都由高速数字信号处理器完成。此种方法，对于周期扰力及拟周期扰力激起的结构振动响应都有很好的控制效果。     

基于自适应模糊逻辑和神经网络的双足机器人控制研究

在双足机器人行走控制中,为了改善系统的行走性能,提出了一种基于RBF神经网络前馈控制的力矩补偿控制方法。该方法将自适应模糊控制和神经网络逆模控制有效地结合起来,利用神经网络来逼近系统的逆动力学模型,提高系统了的控制性能,改善了机器人的行走特性。     

自适应整定模糊PID控制相关问题分析

本文首先介绍了自适应控制方法的原理及分类等，然后提出了现有系统存在的问题，针对存在的结构误差无法用常规方法去除的情况，将自适应方法和其他控制方法结合，得到了自适应模糊PID控制算法。     

基于组合预测方法的城市道路短时交通流预测

随着我国城市化进程的加速,市民对出行的需求也日益增加,准确的交通预测模型对于更好地分析路网交通状况,规划交通网络和实现交通优化控制策略都有十分重要的作用。以城市路网短时交通流预测为研究对象,建立了基于ARMA模型和BP神经网络模型的组合预测模型,深入研究了城市路网的划分、路网构建和特征路口交通流预测等内容,形成了一个较为完整的城市路网预测体系,通过实测交通流数据,验证了所述方法的可行性和有效性,为城市路网交通流预测提供了一种解决方向。     

车路协同环境下自适应信号配时优化模型

在车路协同环境下,车辆位置和速度等信息容易获得,为交通信号控制系统提供了新的数据源。针对现有信号控制系统鲁棒性差,不能适应交通流实时变化特征等问题,本文提出了一种车路协同环境下交叉口自适应实时控制优化模型。该模型以交叉口车均延误最小为优化目标,相位绿灯时长为约束条件,采用遗传算法对模型进行求解,实现了对交叉口信号配时方案的实时优化。最后,通过调查数据并设计仿真实验,证明了文中模型比感应控制效果更好,车辆平均延误减少了30%,同时能够保证交叉口各个转向的车均延误均衡。     

气动伺服控制系统的自适应模糊控制器的研究

介绍了一种新型的自适应fuzzy-PD控制器，并研究了它在气动伺服位置控制系统中应用的适应性问题和非线性摩擦力的补偿方法，提出了一种新的模糊逻辑控制补偿算法，它通过一个自适应模型参数Ma的调整控制，提高了气动伺服系统的控制精度，试验结果表明：与传统的控制方法相比较，自适应fuzzy-PD检制器具有动态性能好，自适应能力强和位置控制精度高等优点。     

数据缺失下的短时交通流预测

在实际交通数据收集过程中,采集设备故障、维修等问题均易导致采集到的交通数据存在一定的缺失。针对交通数据缺失情况下的交通流预测问题,本文提出了一种基于生成式对抗网络的短时交通流预测模型。该模型由生成网络和判别网络两部分组成。其中,生成网络由全连接层和门控循环单元(GRU)构成,以编码-解码的形式完成对未来交通状态的预测输出;判别网络由多层全连接层构成,通过Wasserstein距离的计算完成对真假样本的有效判断。实验结果表明,本文提出的模型不仅适用于不同比例数据缺失下的短时交通流预测,而且其预测表现优于其他对比模型。     

利用自适应阵地空间信号测向

给出一种基于Gram-Schmidt正交（GSO）结构的自适应测向方法,分辨力与特征值分解类算相当。在测向的过程中,不需要事先知道估计信号源的个数,算法简单,实时性好。     

多模型自适应控制理论及应用研究

本文针对多模型自适应控制系统的典型结构,分别研究了模型集、切换性能指标和控制器结构的相关问题,针对锅炉过热汽温的特点,设计串级过热汽温控制系统。主调节器采用多模型自适应预测控制,副调节器采用比例控制。该控制方案融合了多模型控制和预测控制的特点。仿真结果表明,在负荷大范围变化的工况下,控制系统仍保持了良好的控制性能,具有较强的鲁棒性。     

量子BP神经网络的自适应振动信号压缩及应用

针对一维振动信号的压缩特点,提出一种改进的量子BP神经网络(IQBPN)信号压缩方法。本文根据一维振动信号的方差,将信号分为四个部分:平滑区、半平滑区、半边界区和边界区,从而可以选择不同的压缩比来对不同的区域进行压缩,以保持信号的丰富细节,保障压缩的质量。同时,利用量子BP神经网络的计算并行性和算法加速能力,从而提高了神经网络的收敛速度,缩短了压缩时间,为在线实时传输提供了一种新方法。实验证明,与其他方法相比,该算法在相同的压缩比时,可以提高信噪比,缩短运行时间。     

用于塞曼热稳频的自组织自适应预测控制系统

塞曼热稳频广泛应用于双频激光干涉仪中,但稳频调节器的设计存在建模困难和调整工作量大的缺点。本文提出一种非参数化自组织建模的预测控制算法实现稳频控制,并进一步引入自适应算法消除模型误差。开发了可通用于各类塞曼热稳频系统的控制软件,成功地在幅值稳频和频差稳频塞曼激光器上实现了全自动热稳频。通过和中国计量科学研究院标准I     

用自适应线谱增强器实现主动声呐信号的检测

简述了用自适应线谱增强器(ALE)在噪声背景下提取CW脉冲形式的声呐回波的原理,介绍了用TMS320C25芯片实现ALE的方法.实验表明.ALE是一种有效的声呐回波检测器.     

基于自适应CEEMD-MPE算法的矿山爆破振动信号去噪研究

由于矿山环境的复杂性、监测传感器的误差和磁场的干扰,实测爆破振动信号不可避免地包含大量高频噪声。为有效去除噪声成分,引入相关均方根误差获得了具有自适应能力的CEEMD算法,对矿山爆破振动信号进行精细化分解,得到频率由大到小排列的固有模态函数(IMF),对各IMF进行MPE随机性检测,将MPE值大于0.6的IMF成分去除,以达到去噪目的。将自适应CEEMD-MPE算法应用于矿山爆破振动信号去噪处理,研究结果表明：该算法具有较好的保真度和去噪效果,有效地去除了信号所含高频噪声成分,同时对真实振动信息影响较小。对比分析表明自适应CEEMD-MPE算法优于EMD-MPE和EEMD-MPE算法,验证了该算法的有效性。     

如何解决PLC控制系统中信号干扰的问题

随着科学技术的发展，PLC在工业控制中的应用越来越广泛。PLC控制系统的可靠性直接影响到工业企业的安全生产和经济运行，系统的抗干扰能力是关系到整个系统可靠运行的关键。     

自适应光学系统中实时自适应控制的仿真研究

介绍和分析了一种利用校正残差进行实时迭代的自适应控制算法，可以应用到校正大气湍流的实际自适应光学系统。利用61单元自适应光学系统上实际采集的大气湍流扰动信号，实现了自适应控制算法，并对这种算法的收敛性、稳定性、控制效果等进行了计算机仿真研究，与常规PID算法进行了比较。     

基于自适应VMD-MPE算法的矿山爆破地震波信号降噪方法研究

实测矿山爆破地震波信号含有大量高频噪声,一定程度上掩盖了真实信号特征,不利于爆破有害效应分析。为了有效降低实测信号的噪声成分,提出了基于自适应VMD-MPE算法的矿山爆破地震波信号降噪方法。将原信号进行变分模态分解(intrinsic mode function, VMD)获得本征模态函数(variational mode decomposition, IMF),利用能量差参数ξ自适应确定模态数K,对IMF分量进行多尺度排列熵(multi-scale permutation entropy, MPE)的随机性检测,准确区分出真实IMF和噪声IMF,去除原信号中的噪声IMF以达到降噪目的。对3组实测矿山爆破地震波信号进行降噪处理,结果表明该模型能够较好地去除高频噪声,保留了信号真实成分;其降噪效果均优于EEMD-MPE、CEEMDAN-MPE算法,验证了自适应VMD-MPE降噪方法的有效性。