道路交通安全综合评价的人工神经网络方法

为了提高评价的准确性,采用人工神经网络技术,建立了基于BP神经网络的道路交通安全综合评价模型.通过有效样本的学习,应用该模型,实现了对道路交通安全专家知识和经验的提取和存储.仿真实例验证了基于人工神经网络的道路交通安全综合评价模型的合理性和有效性.     

理想薄平板气动导数的人工神经网络识别

介绍一种用BP人工神经网络方法识别理想薄平板的气动导数的方法．通过构造BP网络，比较各种因素对识别结果的影响．数据处理方式对神经网络的训练结果影响很大．隐层单元数量、训练次数、随机赋值次数、样本数量等对训练结果也有影响，但影响较小．采用这种方法识别理想薄平板的气动导数是可行的，并且具有较高的精度．     

基于支持向量分类机和回归机的综合评价方法

采用支持向量多值分类机和回归机进行综合评价排序,以提高机器学习方法的综合评价排序能力,并以管理信息系统综合评价为例,与人工神经网络（ANN）方法进行了对比研究.试验结果表明,基于支持向量多值分类机综合评价得分之间的差异比ANN更明显,而且基于支持向量回归机综合评价得分的相对误差明显小于ANN.     

城市公交枢纽换乘客流OD动态预测方法

换乘枢纽衔接公交线路的换乘客流OD是APTS下实施公交多线路动态协调调度的基础数据。以公交线路上下车乘客数的自动获取为前提,建立换乘OD推算优化模型,并设计了BP神经网络求解算法,应用数值试验对神经网络中的核心参数进行了标定。算例表明:BP神经网络为动态更新公交枢纽换乘客流OD提供了一种经济、有效的方法。     

L-M神经网络算法在汽轮发电机组故障诊断中的应用

针对汽轮发电机组的故障诊断,采用Levenberg-Marquardt算法建立多层前向人工神经网络,采用改进算法训练网络,克服了传统BP算法收敛速度慢,易陷入局部最小的缺陷.就BP网络的不足,提出了一种改进的BP神经网络模型,并使用L-M算法用于汽轮发电机组故障的诊断.经理论和实践证明:该方法有效地提高了故障诊断的精度和可靠度,为旋转机械故障诊断提供了有效方法.     

样本复杂性估计算法优化神经网络结构

在神经网络结构寻优中,样本复杂性估计算法是期望在寻优之前先对问题的规模有所估计,进而根据规模给出一个结构,使之不用从最小结构开始一一尝试。频域分析及仿真实验结果均证明了此算法的有效性。     

基于大时滞特性预估补偿的模型辨识及模糊控制方法

对具有大迟延特性的对象采用径向基神经网络辨识其预测控制模型,在不需要知道被控对象的精确物理解析数学模型,也不需要知道对象的脉冲激励响应模型和阶跃激励响应模型的情况下,可以实现对系统响应特性的在线辨识．采用分级模糊建模的思想,设计一种分级模糊控制器,可以极大地减小模糊规则基的规模,在分级模糊控制器的设计中,采用共生进化遗传算法对参数寻优,提高了进化速度．仿真试验证明,该方法的效果很好．     

一种直接控制神经元模型及其在列车停车控制中的应用

本文提出了一种直接控制的神经元模型，并用它构成了前馈神经网络，该网络在用ＢＰ学习算法学习时，提出了变学习步长和势态项系统的方法。并且该网络在特殊情况下，其输出可直接受输入神经元控制，把该神经元所构成的前馈网络应用于列车停车控制中。     

基于递归神经网络的预测模糊控制

为提高控制信息与实时状态的适应性，改善模糊控制品质，用传统模糊控制策略，根据当前时刻误差和预测误差变化值，预测下一时刻的控制输出和系统在未来时刻的误差,用递归神经网络预报系统未来输出值的功能，采用双系统交替控制模式．系统中包含1个模糊控制器和1个递归神经网络，一个工作，另一个学习，使控制系统具有自适应性．仿真结果表明，与常规模糊控制相比，预测模糊控制使超调减小，调节时间缩短．     

基于ANN下的岩质路堑深边坡稳定性评价

在综合分析岩质路堑深边坡变形破坏模式的基础上 ,提出评价岩体边坡工程稳定性的指标 ;讨论了神经网络在岩质路堑深边坡稳定性评价中的应用 ,提出了基于 ANN下路堑深边坡稳定性评价的方法 ;通过样本训练和实例预测评价结果表明 ,该方法是有效、可行的     

Term Structure of Interest Rates Based on Artificial Neural Network

In light of the nonlinear approaching capability of artificial neural networks （ ANN）, the term structure of interest rates is predicted using The generalized regression neural network （GRNN） and back propagation （BP） neural networks models. The prediction performance is measured with US interest rate data. Then, RBF and BP models are compared with Vasicek＇s model and Cox-Ingersoll-Ross （CIR） model. The comparison reveals that neural network models outperform Vasicek＇s model and CIR model, which are more precise and closer to the real market situation.     

Inverse Learning Control of Nonlinear Systems Using Support Vector Machines

An inverse learning control scheme using the support vector machine (SVM) for regression was proposed. The inverse learning approach is originally researched in the neural networks. Compared with neural networks, SVMs overcome the problems of local minimum and curse of dimensionality. Additionally, the good generalization performance of SVMs increases the robustness of control system. The method of designing SVM inverse learning controller was presented. The proposed method is demonstrated on tracking problems and the performance is satisfactory.     

基于LS—SVM逆系统方法的非线性动态矩阵控制

针对神经网络逆系统建模存在的诸多问题,提出了基于最小二乘法支持向量机的α阶逆系统方法的非线性动态矩阵控制新方法．将最小二乘支持向量机辨识非线性对象的α阶逆模型与原系统串联组成伪线性系统,根据线性动态矩阵预测控制方法对伪线性系统进行控制．仿真结果表明,系统存在扰动和模型参数发生变化时,依然具有很好的动、静态性能,且表现出很强的鲁棒性,证明了方法的有效性．该方法不依赖于系统的数学模型,简化了非线性对象动态矩阵控制器的设计,为非线性预测控制的研究提供了一种新途径．     

基于神经网络汽车空调的控制仿真与故障诊断

基于人工神经网络的自学习功能和能够表达复杂关系的特点,针对桑塔纳2000空调、冷却系统的控制关系建立了相关神经网络仿真模型并进行了仿真和故障诊断的研究。事实证明,神经网络技术是复杂车辆控制系统的控制关系分析和故障诊断的一种便捷、有效的方法。     

基于神经网络PID的连挤连轧速度控制系统

根据连挤连轧速度控制的特点,将改进BP神经网络与PID控制算法相结合,采用西门子S7-200型PLC实现连挤连轧机的变频调速控制.通过与传统PID和BP神经网络PID算法比较,改进BP神经网络PID控制器具有较短的动态响应时间和良好的跟随性,表明该方法在连挤连轧速度控制中有良好的应用价值.     

基于BP神经网络的GPS高程拟合方法的探讨

为了提高GPS高程测量的精度，提出了基于BP神经网络的GPS高程拟合方法，并以2座特大桥控制网数据为例，与常规多项式曲面拟合方法进行了比较．理论和实例证明，利用BP神经网络进行GPS高程拟合是可行的。尤其是在已知点较少的情况下，该方法具有实际意义．     

神经网络在车辆半主动控制中的应用

针对车辆半主动悬挂模型的非线性特性，研究了采用神经网络的自适应控制在车辆悬挂半主动控制中的应用，设计了采用前馈神经网络的辩识器和控制器，对控制器网络采用的学习规则进行了分析。仿真计算表明，采用神经网络自适应控制方法能有效改善车辆的平稳性，采用的神经网络辩识器和控制器的改进BP算法是有效的。     

Iterative Learning Based Adaptive Traffic Signal Control

Iterative learning control (ILC), as a branch of data-driven control, has obtained plentiful achievements both in theoretical research and practical application over the past two decades. Taking the traffic signal control system as a plant system, the paper introduces the idea of the ILC and fuzzy logic to design an adaptive data-driven traffic signal controller to improve the capacity of the intersection. The key rule of the signal control logic is described by fuzzy iterative theory, and the control strategy can adapt itself to the changing of traffic flow by iterative learning and handle the uncertainty and randomness in traffic system by fuzzy logic, so as to avoid the modeling of complex transport system and take advantages of data-driven on non-model control. Finally, the proposed method is testified to be applicable and effective based on the simulation results by VISSIM. The simulation result indicates that the effect of the proposed method is more effective than the fixed and actuated control approaches.     

人工神经网络在企业预警管理系统中的应用

企业预警管理系统是现代管理的一种新的模式,面对预警指标的处理技术,本文探讨利用人工神经网络模型来进行对预警的指标的评判与处理,并举例说明。     

һ�ֻ��ڵ���ѧϰ������Ӧ��ͨ�źſ��Ʒ���

迭代学习控制作为数据驱动控制的一个分支,经历二十多年的发展,无论在理论研究,还是在实际应用上都取得了丰硕成果. 本文以交通信号系统为被控对象,利用迭代学习控制和模糊理论的核心思想,设计基于数据驱动的信号交叉口自适应控制器,使交叉口的通行能力得到显著提升. 信号控制的关键规则采用模糊迭代理论,通过迭代学习使得信号控制策略适应交通流的不断变化,通过模糊理论处理交通系统中的不确定性和随机性,从而避免对复杂交通系统的建模,发挥了数据驱动的无模型控制优势. 最后,使用基于VISSIM的仿真平台对算法的有效性和实用性进行验证. 仿真结果表明,基于迭代学习自适应交通信号控制方法的控制效果优于定时控制和感应控制.