基于小波神经网络的路段短时交通流预测

应用BP神经网络来对路段短时交通流进行预测,预测精度和收敛速度都不是很理想,为了克服BP神经网络自身存在的非线性逼近缺陷,依据小波的时频域特征,将小波变换和BP神经网络结合起来,提出一种基于小波神经网络的短时交通流预测方法,给出了具体的网络学习算法,并结合实地调查数据进行了对比测试,分析结果证明了小波神经网络模型对短时交通流预测的有效性．     

基于遗传算法与小波神经网络的客流预测研究

针对轨道交通短时客流具有动态性、非线性、不确定性的特点,提出一种基于遗传算法与小波神经网络的轨道交通短时客流预测方法.该方法利用具有全局搜索最优的遗传算法优化小波神经网络,有效的避免了神经网络易陷入局部最小值的缺陷.在分析轨道交通短时客流的特征上,利用实测数据对模型进行验证.结果表明,相比遗传算法优化的BP神经网络模型,单一的小波神经网络模型其预测精度更高,误差更小,能在实际中应用.     

改进的小波神经网络在桥梁施工控制中的应用

桥梁线形的预测和调整对于大跨径桥梁施工控制具有重要的指导作用。利用小波分析技术对实测数据进行消噪处理,将BP神经网络与Morlet小波结合起来,建立相应的小波神经网络模型,并对桥面标高偏差进行预测。结果表明,采用该方法对桥梁施工控制有较好的预测精度。     

基于小波神经网络的地铁盾构施工地表沉降预测研究

地铁盾构施工引起的地表沉降对施工安全影响较大,应加以预防和控制。根据影响地表沉降的主要参数,建立了基于小波神经网络的盾构施工地表沉降预测模型,分析了预测结果的可行性,对比了它在收敛速度、预测精度等方面较传统BP神经网络的优势。结合北京地铁6号线实地测量数据,验证了小波神经网络用于沉降预测的准确性和可行性。     

基于小波去噪和GA-Elman神经网络的短时交通流预测

为解决短时交通流的非线性和强干扰特征带来的预测精确度较低问题,首先采用启发式阈值算法对小波分解后的原始数据做去噪处理,使去噪后的数据更平稳真实地反映交通流的变化规律,然后利用遗传算法优化Elman神经网络模型对交通流进行分析和预测,模型输出的预测值百分比绝对误差为6.2%。试验结果表明,小波去噪后再用遗传算法优化的Elman神经网络进行预测,预测结果误差较小,可用于短时交通流预测。     

基于小波神经网络的短时交通流预测

针对现阶段城市道路交通短时交通流预测精度不高的局限性,将小波变换引入到城市道路交通预测过程中,提出一种基于小波神经网络的预测方法。运用美国加州高速公路通行能力度量系统数据作为数据来源,应用小波变换和BP神经网络相结合对其进行预测,然后对预测结果数据进行分析,并对短时交通流进行综合评价。实验表明,该方法与传统的BP神经网络相比较,在短时交通流预测方面具有较好的有效性和优越性。     

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．     

综合小波分解和BP神经网络的交通小区生成交通短时预测

针对交通小区生成交通的短时预测需求,提出了综合小波分析和BP神经网络的短时预测方法.预测方法主要利用dbN小波函数对交通小区生成交通进行小波分解,利用BP神经网络对分解后的多频段波形进行短时预测,最后通过波形重构获得交通小区生成交通的短时预测结果.在构建综合小波分析和BP神经网络短时预测模型基础上,采集交通小区的实际交通生成数据,并构建短时预测的对比模型,检验构建模型的预测精度.检验结果表明:在交通小区的生成交通短时预测方面,综合小波分析和BP神经网络的组合预测模型比单独采用BP神经网络进行预测的精度更高.     

基于小波网络的斜拉桥施工预测方法

阐述小波神经网络模型法的基本原理与程序实施步骤,探讨了斜拉桥施工监测数据与小波网络间的联系,建立了基于小波网络的斜拉桥施工控制预测模型.以工程实例为背景,对武汉天兴洲长江大桥实际监控数据进行预测分析.研究表明:小波网络预测值与实测值基本一致,其精度满足工程及其控制的要求.     

基于RBF神经网络的永磁同步电机预测控制

针对永磁同步电机在运行过程中会受到负载扰动和参数变化等因素的影响,从而导致其控制精度低、稳定性差、控制性能差等问题,利用RBF神经网络在解决不确定性和非线性系统时有着独特的全局优势,提出采用RBF神经网络建立PMSM的速度预测模型,同时引入滚动优化控制器并采用梯度下降法来实现PMSM调速系统的神经网络预测控制.最后,基于Matlab仿真实验,验证了本文算法的可行性和有效性.     

BP神经网络在交通流量预测中的应用

路段上的交通流量受各种因素的影响,是一个典型的非线性系统。由于神经网络具有识别复杂非线性系统的特性,故将BP神经网络应用于交通流量的动态预测中是可行的。     

基于小波网络的船舶柴油机燃油系统故障诊断

采用小波变换和BP神经网络的辅助式结合,通过小波变换提取故障特征向量作为BP神经网络的输入值,设计并组建了小波神经网络;利用小波变换模极大值分析高压油管燃油压力信号的奇异性,提取故障特征向量;根据故障采集数据并建立学习样本,通过网络训练建立BP神经网络输入和输出间良好的非线性映射,进而通过特征向量输入BP神经网络来诊断故障。实验数据分析表明:该方法具有良好的诊断效果。     

小波神经网络在交通标志识别中的运用研究

小波神经网络 小波自80年代提出以来,理论和应用都得到了巨大的发展,小波分析的出现被认为是傅立叶分析的突破性进展.目前,神经网络的理论研究日趋深入,其重要发展方向之一,就是注重与小波、混沌、模糊集等非线性科学理论相结合.     

基于灰色—小波神经网络的有效泊位预测

针对停车场有效停车泊位的变化特征,提出了基于灰色—小波神经网络的组合模型.先通过灰色单因素预测模型对有效停车泊位时间序列进行修正处理,再基于分步式小波神经网络模型对修正预测值进行运算,并通过马克科夫链预测模型得到更精确的预测区间,并利用实际案例分析,对模型的预测精度、稳定性、拟合度和训练时间进行了评价.研究表明,灰色—小波神经网络预测模型可降低初始数据波动性的干扰,与传统神经网络相比,预测结果误差波动性降低了10%~19%,稳定性提高了27%~33%,拟合度提高了10%~15%,精确度明显提高.     

基于RBF神经网络的短时交通流量预测

城市交通网络是个复杂的系统,不同时段的交通流量之间有着非线性关系.神经网络具有识别复杂非线性系统的特性.利用RBF神经网络构建了短时交通流量动态预测模型,对某城市道路的短时交通流量进行预测,取得了较好的结果.     

小波神经网络在交通标志识别中的运用研究

小波神经网络 小波自80年代提出以来,理论和应用都得到了巨大的发展．小波分析的出现被认为是傅立叶分析的突破性进展。目前,神经网络的理论研究日趋深入,其重要发展方向之一,就是注重与小波、混沌、模糊集等非线性科学理论相结合。小波变换具有时频局部特性和变焦特性,而神经网络具有自学习、自适应、鲁棒性、容错性和推广能力．如何把两者的优势结合起来．一直是人们关注的问题。     

基于模糊变步长神经网络的自适应PID控制

本文针对具有非线性和不确定性的控制对象，提出了一种基于前向神经网络的自适应PID控制系统算法。并根据其特点，提出学习步长模糊校正的方案.这种控制系统综合了神经网络、模糊决策和PID控制的优点，易于实现，仿真结果表明该控制系统对非线性被控对象具有比较好的控制效果。     

基于小波神经网络的船舶动力装置模型的建立

以CODAD主推进系统为例.建立了在Matlab7.O/Simulink6.O环境下的仿真模型.采用分布式参数建模的方法.根据参数间的相关性,建立分离的参数预测模型,然后把所有的参数模型联合起来,得到完整的主推进装置模型.采集了实船航行数据,经过小波去噪后作为模型辨识的试验数据.利用小波神经网络对主推进装置仿真模型中的主机转速进行了预测.仿真结果表明.采用小波神经网络进行模型辨识,可获得较好的效果.     

基于多源交通数据融合的短时交通流预测

不同类型交通检测器所获取的交通数据中包含了不同的交通信息,交通流预测在交通管理与控制中具有重要作用,基于此,进行了多源交通数据动态加权融合和短时交通流预测。在综合分析多源数据特性及其融合优势的前提下结合遗传算法的全局搜索及小波神经网络的自适应学习优点,提出了基于多源数据融合与遗传-小波神经网络(GA-WNN)的短时交通流预测模型。通过实例验证分析,基于GA-WNN的交通数据融合方法比其他方法更有优势;同时,多源数据融合的预测精度优于单一数据源的短时交通流预测序列,从而能为交通管理者的判断决策与交通出行者的路径选择提供更准确、全面的交通信息。     

基于小波神经网络的定制公交目标乘客出行意愿预测

面对人们日益多样化的出行需求,越来越多的定制化公共交通出现在了人们生活中。在规划一种意为目标乘客提供定制化出行服务的新型公共交通方式之前,需要对目标乘客对其的出行意愿进行准确预测。基于出行意愿的影响因素的复杂性,本文提出了一种基于小波神经网络的预测方法。首先,根据目标乘客出行意愿调查进行出行意愿的影响因素分析,然后对神经网络模型进行构建,最后运用MATLAB对预测进行了实现、验证。为了改善网络的训练效果,本文采用自适应的方法对网络学习速率和隐含层节点数进行确定。结果表明,小波神经网络对于预测定制公交目标乘客出行意愿具有较好的适用性,且比传统的BP神经网络有着更好的预测精度。