神经网络参数识别法在重庆石板坡大桥中的应用

BP神经网络法的自适应学习能力、非线性映射能力、鲁棒性和容错能力以及快速收敛能力可有效解决连续刚构桥施工控制中参数估计的核心问题,通过实例证明,其参数估计结果与实测数据吻合性较好,识别精度较高,有相当的实践意义.尤其是对于必须考虑非线性影响、不确定系统的控制等问题,如果经典算法识别精度低,可考虑采用非经典神经网络算法进行重要参数的识别.     

基于改进的BP神经网络模型参考自适应控制

针对传统BP算法的神经网络模型参考自适应控制实时性差、精度不高、收敛慢等不足,结合BP改进算法和非线性系统的可逆性,提出了基于改进的双向权值调整BP算法的神经网络模型参考自适应控制.基于此算法设计的系统辨识器和控制器的网络结构简单,精度高,仿真结果表明该算法的辨识和控制效果均很理想,可应用于工程实际.     

基于神经网络方法的柴油机气缸压力识别

分析了柴油机气缸盖系统激励和响应信号的非线性特性,阐述了基于BP神经网络的柴油机气缸压力识别方法.对测试的振动响应信号进行时域统计平均和低通滤波后,训练BP神经网络,利用自适应梯度下降算法,自适应调节学习速率,提高网络精度,识别柴油机气缸压力.结果表明,恢复出来的缸内压力信号和实测信号十分接近,该方法对柴油机的实时在线控制、监测和故障诊断有重要的应用价值.     

基于不变矩和小波神经网络的标志识别方法

对交通标志实时识别应该满足平移、旋转、比例变换具有不变性以及识别精度高等要求.首先采用不变矩来提取标志图像特征,然后利用小波神经网络作为分类器对标志进行识别,该方法很好地满足了上述要求.和常用的BP神经网络标志识别算法相比,小波神经网络算法的训练速度更快和识别精度更高,在车辆自主导航系统中的应用价值更大.     

基于Adaboost的改进Elman神经网络港口吞吐量预测方法

为提高港口吞吐量的预测精度,建立基于Adaboost算法改进的Elman神经网络预测模型,进行吞吐量的预测.首先对Elman神经网络进行多次训练和迭代,然后将每个Elman神经网络作为弱预测器,基于Adaboost算法将多个弱预测器加权组合,形成Elman-Adaboost强预测器模型.经过Adaboost算法优化的强预测器对误差较大的数据样本有更强的识别能力,可以实现对数据的动态增强学习.以宁波-舟山港2011-2017年的港口吞吐量数据为样本进行仿真,分别使用BP神经网络、Elman神经网络、BP-Adaboost神经网络以及Elman-Adaboost神经网络进行预测,比较四种模型的预测精度.研究结果表明:Elman-Adaboost强预测器模型用于港口吞吐量的预测,预测结果的相对误差最大值1.91％,最小值0.06％,可以将预测误差控制在2％以下,数据拟合效果更好预测精度更高,可以作为港口吞吐量预测的一种方法.     

多层神经网络的有效训练算法

提出了基于整体模式的多层神经网络的有效训练算法，给出了偏导矩阵的递算法，由此导出多层神经网络的并行训练算法，本文提出的训练算法进行模型参数估计，其领导具结果表明，该算法不仅减少训练周期，而且还可提高模型参数的估计精度。     

基于分块EnKF的非线性目标跟踪算法

针对滤波航迹的相关性以及初始状态的选择会对跟踪性能产生影响的问题,将集合卡尔曼滤波算法引入到非线性目标跟踪领域,验证了其可行性和有效性,提出了基于分块集合卡尔曼滤波的非线性目标跟踪算法.采用分块思想生成初始集合,使用协方差矩阵加权方法解决分块间的航迹相关问题.仿真结果表明基于分块集合卡尔曼滤波的目标跟踪算法计算复杂度和以往的集合卡尔曼滤波算法同阶的情况下可以提供更高的运动参数估计精度,解决了粒子滤波算法计算量大难以进行实时跟踪的问题.      

基于ALINEA算法的城市快速路匝道控制方法

为解决传统的ALINEA(asservissement linéaire d'entrée autoroutière)匝道控制算法未考虑城市快速路入口匝道排队溢出,造成关联交叉口交通拥堵等问题,在经典的ALINEA匝道控制算法的基础上,提出了一种新的基于主干道车流量预测的城市快速路入口匝道控制方法.该方法采用遗传算法优化的小波神经网络来预测城市快速路交通流量;引入主干道车流可插入间隙和匝道排队分级控制原则,实现了对城市快速路入口匝道控制率的动态调节.通过微观仿真实验比较两种算法的控制效果.结果表明:与传统的ALINEA匝道控制算法相比,新的控制方法不仅能够有效保证主线交通通行能力,同时还使匝道平均旅行时间减少了24.8%.     

非高斯AR序列参数的加权最小二乘估计

加权最小二乘估计是一种兼具精度与速度的非高斯自回归序列参数估计的优秀算法.使用混合高斯自回归模型描述估计问题之后,又从最大似然估计非线性方程组出发导出了与之近似的加权最小二乘估计线性方程组,并分析了加权函数的性质,给出了具体的两步实现算法.探讨了加权函数获得与激励方差估计2个细节问题,给出了一组实例.     

基于MHPSO优化GRU神经网络的短时交通流预测

为提高短时交通流量预测精度及预测效率,首先提出一种PSO改进算法(MHPSO),把PSO种群结构设置为多层,将种群中上层粒子作为下层粒子的吸引粒子,将吸引粒子对粒子本身的吸引能力考虑在内,修改粒子速度更新方程以增强种群粒子之间的交互能力,从而有效地避免其陷入局部最优,提升算法的寻优速度及精度;然后利用MHPSO对GRU神经网络的参数进行优化;最后利用基于MHPSO优化的GRU神经网络构建短期交通流预测模型.实验结果表明:基于MHPSO优化的GRU神经网络模型在短时交通流预测中具有更高的预测精度,预测效率得到显著提升.     

基于径向基函数神经网络的交通事故预测

基于径向基神经网络强大且准确的非线性关系映射能力,将其应用于交通事故预测中,获得了较高的预测精度。同时,与BP神经网络预测结果的对比表明,径向基神经网络预测方法明显优于BP神经网络预测方法。     

小样本监测信息露天矿边坡变形预测模型对比分析

利用GM（1,1）,BP神经网络和灰色BP神经网络组合三种模型,分别对不同样本容量的小样本监测信息进行测试,对比分析预测结果的准确性与稳定性.结果表明,边坡变形预测模型受既有监测信息的样本容量影响较大,样本容量的增加有利于边坡变形预测模型精度的提高.在既有监测信息较少的情况下,GM（1,1）模型预测精度虽然最高,但缺乏稳定性;单一BP神经网络模型的预测精度由于样本较少,其精度较差.从预测结果的稳定性和精度两个方面综合对比来看,灰色BP神经网络组合模型更适用于小样本监测信息情况下的露天矿边坡变形趋势的预测.     

基于遗传算法(GA)优化BP神经网络的船舶交通流量预测

为了提高船舶交通流量的预测精度,在BP神经网络的基础上,结合遗传算法(GA)建立一个新的预测模型.该模型利用GA自适应搜索能力和较快的收敛速度,进而确定BP神经网络中的最优权值和阈值.以青岛港2011—2019年船舶交通流量统计数据为例,进行仿真实例验证.结果表明,与传统的BP神经网络相比,该模型能显著地提高船舶交通流量的预测精度,用于预测船舶交通流量具有一定可行性.     

基于免疫粒子群神经网络的短时交通流量预测

免疫理论中的基于浓度选择机制能避免粒子群算法在群体收敛性和个体多样性平衡问题上的不足,使改进后的粒子群算法优化BP神经网络参数的配置,提高短时交通流量预测的准确性。仿真实验表明：免疫粒子群优化后的BP神经网络可有效提高短时交通流量的预测精度,减小预测误差。     

基于RBF神经网络的交通流数据修复研究

完整的传感器数据是交通管理和控制的基础,但由于传感器自身或传输线路故障等原因,常常导致数据缺失,亟需对传感器缺失数据进行修复。鉴于此,以离散和连续缺失的线圈检测器交通流量数据为研究对象,构建基于RBF神经网络的数据修复模型。并将其结果与利用非线性回归模型、BP神经网络模型进行修复的结果相比较。RBF神经网络模型在离散缺失3 个数据、连续缺失3 个数据和连续缺失5 个数据情况下,平均百分比绝对误差分别为0.67%, 0.66%和1.33%,修 复值和实测值的总体相关性为0.992,修复精度优于非线性回归模型和BP神经网络模型。研究结果表明,RBF神经网络模型与其他方法相比可更精确地进行交通数据修复。     

基于BP神经网络的运量预测模型优化研究

在传统多种单项预测模型与组合预测方法的基础上,利用BP神经网络技术的非线性映射能力,在多个预测模型与实际数列之间建立一种非线性关系,对运量预测结果进行优化,以达到提高预测精度的目的.通过实例分析,表明这种经过BP神经网络优化后的预测模型,可一定程度上克服传统单个预测模型的部分局限性,提高预测精度,用于运量预测是可行的.     

基于动量BP算法的过渡段路基沉降预测

利用动量BP算法改进了BP神经网络的收敛性,建立了过渡段路基沉降预测模型．该模型可克服传统BP神经网络收敛速度慢、易陷入局部最优等的缺点．结合津秦客运专线路桥过渡段路基沉降实测数据,将该优化模型与传统BP神经网络预测模型进行了对比．计算表明,利用动量BP算法改进的神经网络具有较高的预测精度,同时考虑了多个影响因素,因而具有广阔的应用前景．     

基于BP神经网络的模型参考自适应控制

基于BP神经网络的误差反向传播机制,探讨了建立在BP神经网络基础上的模型参考自适应控制方法。该方法用2个BP神经网络分别作辨识器和控制器,其中辨识器兼作间接传递误差的通道,从而解决了控制器权值的修正问题。仿真结果表明, 经过学习控制结构具有较好的有效性。     

基于神经网络的汽车发动机故障诊断研究

将BP神经网络应用于汽车发动机故障诊断.利用实际测试的怠速不稳故障样本训练网络并进行测试.结果证明,BP神经网络应用于汽车发动机故障诊断,效果良好,具有较高的诊断效率和准确度.