基于自适应遗传粒子群优化模糊神经网络的疲劳驾驶预测模型

为提高疲劳驾驶的预测精度,提出了基于减法聚类和遗传粒子群优化模糊神经网络的疲劳驾驶预测模型.根据训练样本,利用减法聚类确定网络结构和初始参数;借助于进化速度因子,采用自适应遗传粒子群算法优化网络参数.利用疲劳驾驶实车模拟实验获得的数据,对该模型进行了训练和测试,并将结果与传统的粒子群、遗传和反向传播算法进行对比.结果表明,该模型不仅精简了网络结构,缩短了训练时间,而且减小了全局误差,提高了预测精度.     

基于时空GPSO-SVM的短时交通流预测

为了提高城市道路短时交通流预测的精度,提出了一种基于时空遗传粒子群支持向量机的短时交通流预测模型.通过主成分分析法对路网原始交通流量进行时空相关性分析,用较少的主成分代替原始交通流量并作为预测因子,在粒子群算法中引入遗传算法的交叉和变异因子,避免粒子群算法陷入局部最优.利用改进后的粒子群算法优化支持向量机参数,得到最优的支持向量机模型,并实现城市道路的短时交通流预测.以长春市路网的实测数据为基础进行了实例验证,结果表明,优化支持向量机参数时,遗传粒子群算法不会陷入局部最优,优化效果更好;与粒子群支持向量机模型和遗传粒子群支持向量机模型相比,所提出预测模型的相对误差波动较稳定,平均预测精度分别提高了4.96%和3.41%.      

基于粒子群算法优化支持向量机的公路客运量预测

公路客运量数据受多种因素影响而呈现非线性等特点,为了提高其预测精度,文中提出粒子群算法（PSO）优化支持向量机（SVM）的公路客运量预测模型,利用PSO寻优能力突出的优点,对支持向量机的参数进行优化选择,并用优化后的支持向量机模型对公路客运量进行预测.研究结果显示,相比BP神经网络和传统的SVM预测方法,基于PSO SVM的预测精度更高.     

基于K-means聚类算法的桥梁结构真实模态筛选研究

现阶段,随机子空间算法被广泛运用于识别桥结构的模态参数,虽然已不少学者对其进行了深入研究,但依然无法精确地对稳定图中的真假模态作出辨识和筛选。为了识别稳定图中的真实模态,首先通过对比分析数据驱动随机子空间算法和协方差驱动随机子空间算法在基本原理和计算效率两方面的差异,最终选定数据驱动随机子空间算法作为模态参数识别算法;其次以某试验桥为背景,通过分析大量稳定图中真假模态的存在形式来总结稳定图中真实模态存在的一般规律;同时基于K-means聚类算法的特点——不仅能实现不同维度数据的聚类,也能判别数据间是否属于同一类,还能筛选出同类的数据点,将该算法与稳定图定阶法中的振型辨识原理进行融合,运用于模态参数识别的流程中以完成真假模态的自动化筛选。为验证所提算法具有可信性,将其运用于识别某试验桥和实际桥梁结构的模态参数结果,并将所得结果与理论值进行对比分析。结果表明:所提算法能有效辨识稳定图中的真假模态,且识别结果具有可信性。     

注塑短纤维增强复合材料汽车尾门内板轻量化设计

本文中针对短纤维增强复合材料汽车尾门内板，提出一种包含材料-结构并行优化的轻量化设计流程。考虑纤维分层分布特点建立材料分层模型，在此基础上提出材料参数化本构模型，在改变材料参数时可快速预测其力学性能；根据纤维取向的分布特征，提出材料参数提取和映射方法，有效提升结构分析精度；考虑材料和结构设计变量，结合Kriging代理模型和基于边界搜索的改进粒子群优化算法，提出复合材料汽车尾门内板轻量化设计流程。最终结果，在保证多工况设计要求的同时，实现了材料和结构参数的并行优化，取得减质量10.5%的轻量化效果。     

基于响应曲面法的DPF捕集性能多目标优化

以提高整体捕集性能为目的开展柴油机颗粒捕集器(DPF)结构参数多目标优化设计，利用GT-Power建立DPF捕集模型，通过发动机台架试验验证了仿真模型的可靠性。以最大压降和初始过滤效率为优化目标，以孔隙率、孔直径、壁厚、过滤体长度和直径5个结构参数为优化变量，基于Box-Behnken试验设计方法构建了DPF捕集性能二阶响应面模型，通过三维响应面图对结构参数显著性与交互作用进行仿真分析，采用满意度函数法进行多目标参数优化。结果表明，孔直径对最大压降的影响较小，较小的孔隙率与壁厚、较大的过滤体直径有利于降低DPF最大压降，而适当增大过滤体直径与壁厚可提升DPF初始捕集效率。协同优化后的DPF压降较优化前下降51.34%,优化后的DPF初始过滤效率趋近于100%。     

基于GA-PSO的智能汽车横向LQR控制器优化设计

针对线性二次型调节器（LQR）在智能汽车横向控制中,系数矩阵Q和R选取困难导致的控制精度低和参数整定效率低的问题,提出了一种遗传粒子混合优化（GA-PSO）方法。基于车辆二自由度模型设计了横向LQR控制器和前馈控制器,以该模型下控制器自身能量损失函数作为代价函数对系数矩阵进行优化,并对比了GA-PSO和粒子群优化（PSO）算法的优化效果。CarSim/Simulink联合仿真结果表明,经GA-PSO算法优化后的控制器跟踪精度和计算效率分别提高了47.06%和63.54%,且优化后的控制器具有较强的鲁棒性。     

基于多目标优化设计的主动约束层阻尼板振动控制研究

基于主动约束层阻尼(Active Constrained Layer Damping,ACLD)结构的有限元动力学方程,建立了ACLD板结构的多目标优化模型。以ACLD衬片的位置编号为设计变量,以前两阶模态损耗因子最大化为优化目标,采用改进的快速非支配排序算法(Fast and Elitist Non-Dominated Sorting Genetic Algorithm,NSGA-II)算法,对ACLD衬片的布置位置进行了优化设计。对于不同的优化方案,设计了基于FxLMS(Filtered-x Least Mean Square)算法的控制器,研究了在同一外扰激励下的振动控制效果。结果表明,采用优化后的ACLD衬片配置方案,在被动和主动振动控制中,都具有良好的振动控制效果。     

基于多参数自适应优化的智能车轨迹跟踪

为了在不同工况中，同时兼顾轨迹跟踪算法的跟踪精度，计算速度与车辆稳定性，提出基于不同车速和路面附着系数的参数自适应MPC算法。在线性时变MPC的基础上增加车辆稳定性控制，并基于路面附着系数设计2种控制策略：在高附着系数路面，针对不同车速优化预测时域与控制时域；在低附着系数路面，开启车辆稳定性控制并基于改进粒子群算法优化权重参数。2种策略在保证跟踪精度与车辆稳定性的基础上提高计算速度。设计基于前馈神经网络的路面识别算法从而为多参数自适应轨迹跟踪算法识别所在道路的路面附着系数，利用CarSim-Simulink平台进行联合仿真。研究结果表明：路面识别算法的平均绝对百分比误差为12.77%,足够满足多参数自适应轨迹跟踪算法的需求；相较于传统线性时变MPC跟踪算法，低速工况下参数自适应轨迹跟踪算法在高附着系数和低附着系数的路面上，横向平均绝对误差分别降低了20.7%和24.6%;高速工况下横向平均绝对误差分别降低了66.2%和50.7%;综合所有试验，算法的计算时间减少了40.2%;在保障车辆稳定性的同时降低算法的计算时间。研究成果针对不同车速与附着系数对轨迹跟踪算法参数进行优化，利用自适应预...     

基于改进PSO-RBF算法的纯电动汽车剩余里程实时预测

为解决纯电动汽车的剩余里程预测误差大、自适应性差和数学建模复杂的问题,首先对粒子群聚类算法的参数组合进行优选,接着再根据优化粒子群算法聚类出径向基函数(RBF)神经网络隐含层中隐节点数量q,隐节点高斯函数中心向量ci和标准化常数δi,根据不同工况,优选出误差和聚类效果最好的参数组合作为训练结果,并根据工况及时更新参数,使预测结果具有动态自适应性。以端电压、电流、温度、载荷为输入,以剩余里程为输出,建立改进的PSO-RBF预测模型,然后在固定、常用的用车环境中,定义动态自适应的标准容量和标准续驶里程,建立非必要能耗数学模型加以修正。EV-1型纯电动车试验测试值与算法的预测值比较结果表明,RBF,PSO-RBF和改进的PSO-RBF 3种算法最大相对误差分别为9.9%,6.2%和3.8%,说明采用改进的PSO-RBF算法的预测精度比现有其他方法有显著提高。     

基于改进粒子群算法的路面厚度反演分析

传统公路厚度检测都是采用钻芯取样,人工测量的方法,不仅效率低,而且破坏路面结构。路面雷达是一种连续、高效、无破损的路面质量检测工具。通过对路面雷达回波信号进行反演分析,可以得到路面结构层介电常数、厚度等信息。该文采用一种改进的粒子群优化方法,建立路面结构层参数的改进粒子群反演算法,实现了结构层介电常数和厚度的反演分析。通过对比理论模型反演结果发现,该方法得到的结构层介电常数精度高于标准粒子群方法,采用该方法分析实际路面雷达回波信号,与钻芯结果对比可知,反算结果与实际钻芯测量值误差在3%以内。     

选择性催化还原过滤器研究进展

选择性催化还原过滤器(Selective Catalytic Reduction Filter, SCRF)是具有很大发展潜力的发动机污染物处理手段，作为兼具SCR和DPF两部分功能的后处理装置，能够帮助减小后处理装置体积和费用，或者在不缩减体积的情况下获得更好的污染物处理效果。但SCRF内部多种组分构成的复杂的反应体系和较宽的工作温度窗口导致对系统污染物处理效果的预测难度提高很多。全面梳理了近年来SCRF在以下两个方面的研究成果：一是影响DeNO_x效率和被动再生效率的表观因素，一是SCRF微观化学反应与传质机制，有利于研究者开展微观机理和SCRF配套优化研究。     

DPF孔道结构参数优化设计

以降低流动阻力为目的开展DPF孔道结构参数优化设计,运用GT-Power建立DPF仿真模型,研究非对称孔道边长比、孔密度和过滤壁厚对颗粒物捕集过程中DPF压降和捕集效率的影响,并以非对称孔道边长比、孔密度和过滤壁厚为设计参数,二次序列规划算法为优化算法,DPF捕集效率为约束,优化DPF孔道结构参数。结果表明:DPF采用进口孔道边长大于出口孔道边长的非对称孔道结构可以降低颗粒物饼层捕集过程中DPF的压降,但同时降低了DPF的捕集效率;采用提高孔密度的方法可以在一定范围内降低DPF的压降,同时提高DPF的捕集效率;降低DPF过滤壁厚可以有效降低DPF压降,但也会降低DPF的捕集效率。综合优化结果,DPF进出口孔道边长比值为1.024 8、孔密度为62孔/cm~2、过滤壁厚为0.333 mm时,DPF压降降低26%以上,饼层捕集效率保持98%以上。     

基于机器视觉的车辆检测与参数识别研究进展

近年来公路交通运输快速增长，交通车辆的快速准确检测与识别对智能交通系统和交通基础设施运维具有重要意义。随着机器视觉和深度学习技术的迅速发展及其在目标检测领域的广泛应用，车辆目标检测和参数识别也取得新的突破。该文从车辆参数的识别方法和应用研究两方面梳理了机器视觉和深度学习在车辆检测与参数识别领域的研究现状、最新研究成果和未来发展趋势。在识别方法方面，将车辆检测方法分为3类：运动目标检测方法、目标实例检测方法和细粒度检测方法，系统总结了这3类方法的基本原理和各自特点。在应用研究方面，详细综述了基于机器视觉的车辆检测方法在车辆参数识别中的应用现状，主要包括车辆类别、车辆时空参数、车辆重量参数识别以及车辆多参数识别系统。最后对基于机器视觉和深度学习的车辆参数识别研究进行了归纳总结，并讨论了当前存在的挑战和未来可能的发展趋势。研究表明，对于不同的环境条件和车辆参数，应根据实际需要和各算法特点选择合适的车辆检测方法。目前方法仍局限于单参数或少量参数的独立检测，且识别精度和效率难以同时满足。后续研究应注重与新技术的融合，提高在现实复杂环境下车辆参数识别的精度、效率、鲁棒性及全面性，以使其更好地应用于工程实际。     

土钉支护结构优化设计中的混合粒子群优化算法

为了在土钉支护设计中寻找一组最佳设计参数,以达到既经济又安全的目的,将混沌搜索的粒子群优化(PSO)算法应用到基坑土钉支护优化设计中,以单位长度土钉墙的土钉材料造价作为优化的目标函数。该方法保持了PSO算法结构简单的特点,改善了PSO算法的全局寻优能力,提高了算法的收敛速度和计算精度。同时,对不活动粒子的处理使算法避免了早熟现象的出现。工程实例计算表明:该方法是进行土钉支护结构优化设计的有效方法。     

最小二乘支持向量机-粒子群算法在地下厂房围岩参数反分析中的应用

为准确确定地下厂房围岩的弹性模量、泊松比、黏聚力、内摩擦角、侧压力系数等参数,以正交设计、最小二乘支持向量机和粒子群算法等现代数学方法为基本手段,建立基于位移增量的围岩参数反分析方法。以CCS水电站大型地下厂房为研究背景,通过工程地质条件研究选取8#机组剖面作为分析对象,采用二维弹塑性有限元方法建立地质结构分析模型。以地下厂房洞室群分层开挖多点位移计实测位移增量为依据,对CCS水电站地下厂房区域围岩力学特性及地应力场特征进行反分析。研究结果表明： 主厂房第Ⅵ层与第Ⅰ层开挖和主变室第4层与第1层开挖所产生的位移增量计算值与多点位移计实测值吻合较好,最大相对误差小于10%,说明采用最小二乘支持向量机和粒子群算法相结合的反分析方法在工程上是可行的,且效果较为显著。     

系统综合效率优化的插电式混合动力车辆的能量管理策略

为了提升插电式混合动力汽车(PHEV)的动力系统的真实能效,从综合能效最优的角度,研究了插电式混合动力系统能量管理策略.针对系统综合效率的时变性和耦合性,建立了系统效率评价模型,对电池储存电能的效率进行评价和动态修正,以系统综合效率最优为目标,结合粒子群优化算法,构建了能量管理策略.基于GT-Suite和Simulin...     

基于信赖域算法的连续梁桥动力损伤识别

对于大型复杂的既有桥梁结构,进行整体的动力健康检测和评估存在着识别参数多,识别精度差等问题。结合有限元模型修正技术,引入有效弹性模量损伤因子和损伤分布函数的概念,通过在Matlab环境下调用ANSYS有限元程序中的APDL语言进行桥梁结构的有限元建模,利用信赖域算法调整参数,实现了对连续梁桥的动力损伤识别,数值算例表明该方法能准确、有效地判断桥梁结构的损伤发生、损伤区域以及损伤程度。     

沙湾特长隧道软弱破碎千枚岩围岩参数敏感性分析与反演研究

为解决甘肃渭武土建试验2标沙湾特长隧道围岩软弱破碎、遇水软化以及强度低等使得围岩力学参数难以准确确定的难题,采用ABAQUS数值计算和正交设计方法进行参数敏感性分析,确定各参数对围岩变形的影响程度。基于粒子群优化的BP神经网络算法建立PSO-BP参数反演分析方法,并编制反分析程序。根据反演的参数进行数值模拟,分析围岩和支护结构位移、应力及塑性区分布情况。研究结果表明： 沙湾隧道围岩位移影响因素重要性依次为黏聚力c、泊松比μ、内摩擦角φ、弹性模量E;PSO-BP参数反演分析方法是一种有效的反分析方法,具有较高的精度。     

基于混合粒子群算法的土钉支护结构设计参数优化

在土层工程地质情况一定的条件下,如何寻找一组最佳设计参数,以达到既经济又安全的目的,是土钉支护设计的一个重要问题。这是一个复杂的优化设计问题。就此,提出基于混合粒子群优化(PSO)算法的基坑土钉支护优化设计方法,以单位长度土钉墙的土钉材料造价作为优化的目标函数。该方法保持了PSO算法结构简单的特点,改善了PSO算法的全局寻优能力,提高了算法的收敛速度和计算精度,不活动粒子的处理使算法避免了“早熟”现象的出现。工程实例计算表明,该方法是进行土钉支护结构优化设计的有效方法。